GIS-baserade metoder för att kartlägga fiskars

GIS-baserade metoder
för att kartlägga fiskars
livsmiljöer i grunda
havsområden
Ulf Bergström, Lena Bergström, Ida Carlén
och martin Isæus
rapport 6427 • maj 2011
Faluprojektet
GIS-baserade metoder
för att kartlägga fiskars livsmiljöer
i grunda havsområden
Ulf Bergström, Lena Bergström, Fiskeriverket
Ida Carlén, Martin Isæus, AquaBiota Water Research
NATURVÅRDSVERKET
Beställningar
Ordertel: 08-505 933 40
Orderfax: 08-505 933 99
E-post: [email protected]
Postadress: CM Gruppen AB, Box 110 93, 161 11 Bromma
Internet: www.naturvardsverket.se/bokhandeln
Naturvårdsverket
Tel: 010-698 10 00, fax: 08-20 29 25
E-post: [email protected]
Postadress: Naturvårdsverket, SE-106 48 Stockholm
Internet: www.naturvardsverket.se
ISBN 978-91-620-6427-3
ISSN 0282-7298
© Naturvårdsverket 2010
Tryck: CM Gruppen AB, Bromma 2010
Omslagsfoto: Ulf Bergström
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Förord
Behovet av kunskap om hur vindkraft påverkar människor och landskap,
marin miljö, fåglar, fladdermöss och andra däggdjur är stort. I tidigare studier
av vindkraftsanläggningars miljöpåverkan har det saknats en helhetsbild av de
samlade effekterna. Det har varit en brist vid planeringen av nya vindkrafts­
etableringar.
Kunskapsprogrammet Vindval är ett samarbetsprogram mellan Energi­
myndigheten och Naturvårdsverket med uppgiften att ta fram och sprida
vetenskapligt baserade fakta om vindkraftens effekter på människa, natur
och miljö. Vindvals mandat sträcker sig fram till 2012.
Programmet omfattar omkring 30 enskilda projekt och tre så kallade
syntes­­arbeten. I syntesarbetena sammanställer och bedömer experter de
samlade forskningsresultaten och erfarenheterna av vindkraftens effekter
inom tre olika områden – människor, fåglar och fladdermöss samt marint liv.
Resultaten från Vindvals forskningsprojekt och syntesarbeten ska ge under­
lag för miljökonsekvensbeskrivningar och planerings- och tillståndsprocesser
i samband med etablering av vindkraftsanläggningar.
För att säkra hög kvalitet på redovisade rapporter ställer Vindval höga
krav vid granskning av och beslut om forskningsansökningar, och för att
godkänna rapportering och publicering av forskningsprojektens resultat.
Den här rapporten har skrivits av Ulf Bergström och Lena Bergström vid
Fiskeriverket samt av Ida Carlén och Martin Isæus vid AquaBiota Water
Research. Skribenterna svarar för innehållet.
Vindval i maj 2011
3
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Innehåll
Förord
3
Sammanfattning
7
Summary
9
1.
Projektets målsättning
11
2.
Varför behöver fisken beaktas?
13
3.Metodik vid modellering av fisk-habitat
3.1Provfiske
3.2Miljövariabler
3.3 Statistiska verktyg
3.4 Yttäckande kartor
15
15
16
17
19
4.Hur användbar är habitat­modellering för
vindkrafts­planeringen?
20
5.
Sammanfattning delstudie 1, Kattegatt
22
6.
Sammanfattning delstudie 2, Östersjön
23
24
7.Teknisk rapport 1: Modellering av fiskhabitat i Kattegatt
7.1Metodik
24
Responsvariabler24
Prediktorvariabler25
Rumslig modellering
26
Förekomstmodeller27
Abundansmodeller27
27
7.2 Resultat och diskussion
Habitatbildande arter
27
Förekomstmodellering av fisk
31
Abundansmodellering av fisk
33
Jämförelse mellan abundansmodeller och förekomstmodeller
34
Betydelsen av habitatbildande arter som prediktorer i fiskmodelleringen 34
Transferabilitet – kan man överföra modeller mellan grund?
36
Bilaga 1
38
Bilaga 2
39
Bilaga 3
40
Bilaga 4
41
Bilaga 5
42
Bilaga 6
43
5
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga 7
44
Bilaga 8
45
Bilaga 9
46
Bilaga 10
47
Bilaga 11
48
Bilaga 12
49
Bilaga 13
50
Bilaga 14
51
Bilaga 15
52
Bilaga 16
53
Bilaga 17
54
Bilaga 18
55
8.Teknisk rapport 2: Modellering av fiskhabitat i
Egentliga Östersjön
56
8.1Metodik
56
Responsvariabler56
Prediktorvariabler59
Rumslig modellering
61
8.2 Resultat och diskussion
63
Statistiska modeller
63
Prediktioner av fiskhabitat
64
9.Referenser
70
6
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Sammanfattning
Inom den marina planeringen är tillgången på kartunderlag över olika
naturtypers och arters utbredningar en ofta förekommande begränsning.
Målsättningen med det här projektet har varit att utveckla och utvärdera
GIS-baserade metoder för att skapa modellerade kartor över fiskars utbred­
ning i utsjöområden. Sådana kartor kan användas för att utvärdera olika
områdens relativa betydelse för fisk. Kartorna producerade i denna studie
skall dock betraktas som resultat av metodstudier snarare än färdiga kartor
som kan användas i planeringsärenden. Ett viktigt användningsområde för kartor över livsmiljöer för fisk är att
vid planläggningen av områden för havsbaserad vindkraft kunna identifiera
områden där sannolikheten för negativ påverkan på fiskbestånden är låg.
Många utsjöområden som kan vara av intresse för vindkraft är samtidigt vik­
tiga lek- och uppväxtområden för fisk. Vindparkerna kan potentiellt störa fis­
kars livsmiljöer, framför allt genom att medföra strukturella förändringar och
en ökad mängd undervattensljud, och dessa risker bör värderas inom den sam­
manvägda marina planeringen.
GIS-baserad modellering utgör ett komplement till inventeringar genom
provfiske, och är en metod för att optimera nyttjandet av den information
som samlas vid inventeringar. På basen av data från enskilda provfiskepunkter
skapas heltäckande kartor över den sannolika förekomsten av den studerade
fiskarten inom större geografiska områden. Analyserna bygger på att man
skapar statistiska modeller för vilken typ av livsmiljö olika fiskarter föredrar,
och sedan med hjälp av GIS rumsligt visualiserar var sådana livsmiljöer före­
kommer.
Rapporten baserar sig på fallstudier från två separata havsområden:
• I den första studien tog vi fram modeller för habitatbildande växtoch djurarter, samt för de vanligast förekommande fiskarterna i
Kattegatt, baserat på inventeringar vid utsjögrunden Lilla Middel­
grund och Fladen i Kattegatt. Därefter undersökte vi i vilken mån
den modellerade utbredningen av habitatbildande arter kan använ­
das för att beskriva utbredningen av fisk. Inom studien jämförde vi
även styrkan i så kallade abundansmodeller och förekomstmodeller,
samt testade hur överförbara modellerna är mellan olika områden.
• I den andra studien modellerade vi abundansen av de dominerande
arterna torsk, piggvar och skrubbskädda i grundområden i södra
Egentliga Östersjön. Vi testade olika miljövariablers användbarhet i
utbredningsmodeller på en regional skala, samt jämförbarheten
mellan modeller baserade på data från olika delar av studieområdet.
Resultaten visade att rumslig modellering är användbar för att identifiera vik­
tiga livsmiljöer för fisk i grunda havsområden där vindkraftsetablering kan bli
aktuell. Två olika skalor för att jämföra användbarhet och precision kunde
7
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
identifieras; dels modeller för att studera skillnader inom enskilda utsjögrund/
delområden, dels modeller för att studera skillnader mellan olika grund inom
större havsområden. Modellerna för enskilda utsjögrund/delområden gav som
regel starkare modeller, men på bekostnad av generaliserbarhet eftersom de är
baserade på lokala utbredningsmönster.
Oavsett om målsättningen är att bygga modeller för ett helt havsområde
eller för ett enskilt grund, är det viktigt att de data som används är insamlade
över hela det område som man vill uttala sig om, och täcker in hela gradi­
enterna av de miljövariabler som styr utbredningen av arterna. Jämförelser
mellan modeller på olika skala, samt tester med att föra över modeller från ett
område till ett annat, visade att det sällan fungerar att använda modeller från
ett grund för att predicera fiskförekomst på ett annat närliggande grund.
En viktig begränsning för kvaliteten på de färdiga kartorna är tillgången
på kartor över de miljövariabler som används för att beskriva förekomsten av
fisk, framför allt djup och ytsubstrat (Naturvårdsverket 2009). En bättre pre­
cision på djupdata skulle även ge möjlighet att införa mer detaljerad informa­
tion om variabler så som lutning och bottenkomplexitet, vilka kan användas
för att karakterisera fiskhabitat. Information om en del viktiga miljövariab­
ler som används i fiskmodellerna kan tas fram genom egen modellering eller
genom enklare GIS-baserade analyser. Som ett exempel användes modellerade
kartor av habitatbildande arter för att beskriva förekomsten av fisk i delstu­
dien Kattegatt, även om en sådan tvåstegsmodellering inför en ytterligare
osäkerhetsfaktor i det färdiga resultatet. Ett annat exempel är en GIS-baserad
analys av avståndet till lekområden, som visade sig vara en viktig variabel för
att förklara utbredningen av ungtorsk.
8
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Summary
A common constraint within marine spatial planning is a lack of documenta­
tion on the distribution of marine habitats and key species. The aim of this
project was to develop and evaluate the use of GIS-based methods to create
maps on the distribution of fish in shallow offshore areas. Such maps are
useful for assesseing the relative importance of different areas as fish habi­
tats. However, the maps included in this study are produced with a focus on
method evaluation and are not intended for direct use within spatial planning.
Modelled maps could be used for example when designating areas suit­
able for offshore wind farms, by identifying areas where the probability for
negative effects on fish communities is low. Many offshore areas of potential
interest for establishing wind farms are also important spawning and nursery
areas for fish. Wind farms may negatively affect the suitability of a particular
habitat for fish, mainly by causing habitats alteration and increased levels of
underwater noise. Such risks should preferably be evaluated simultaneously
within an integrated marine planning framework.
GIS-based spatial planning is to be seen as a complement to regular fish
inventories, and as a means to optimise the level of obtainable information.
Continuous maps are created based on information from discrete fishing sta­
tions, based on statistical models describing the preferred habitat of the fish
species studied.
The report is based on the following two case studies:
• In the first study, models were created for the most commonly
occurring habitatforming marine species in the Kattegatt. In a
following step, the usefulness of these models to decsribe the poten­
tial distribution of fish was evaluated. Models of abundance and
presence/absences models were compared, and the transferability
of models was evalated.
• The aim of the second study was to model the distribution of cod,
turbot and flounder in the Baltic Proper. The relative contribution
of different environmental variables in describing essential habitats
for fish at a regional scale was evaluated, and a comparison of
models based on data from areas with different fishing pressure
was performed.
The results show that model-based maps of essential fish habitats is a highly
useful tool for planning of windfarming in offshore areas. The models are
applicable at two main spatial scales; local-scale models for studying differ­
ences within single grounds, and regional-scale models for identifying differ­
ences across sea basins. The local-scale models usually had a higher predictive
power, but at a cost of generality, as they were not as successful in predicting
large-scale patterns.
9
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
When construcing habitat models, it is important that the data for model
construction covers the entire gradients of the environmental variables that
govern the distribution of the model species. Comparisons of model predic­
tions made at different spatial scales and models transferred from one area to
another showed that transferability should be performed with great caution.
The precision of the map predictions was generally restricted by availabil­
ity of high-resolution maps of the environmental explanatory variables, pri­
marily bathymetry and surface sediments. A higher resolution of bathy­metric
maps would in addition make it possible to extract useful information on
slope and topographic complexity, which may be used in predicting fish dis­
tribution. Some of the predictor variables used in the models may be derived
by simple GIS-based analyses or by spatial modelling. For example, modelled
maps of habitat-forming species were used in the fish habitat modelling in
Kattegat, while a GIS-based analysis of distance to spawning areas provided
information that was central for modelling the distribution of young cod in
the Baltic Proper.
10
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
1. Projektets målsättning
Information om olika naturtypers och arters utbredning är ett efterfrågat
underlag för marin fysisk planering. Ett exempel gäller planeringen av havs­
baserad vindkraft, där det är av intresse att kunna minimera risken för nega­
tiva effekter inom områden med särskilda naturvärden, så som områden av
särskild betydelse för fisk.
Den huvudsakliga målsättningen för projektet har varit metodikutveck­
ling, där vi undersökt hur väl rumslig modellering fungerar för att ta fram
information om fiskars utbredning i grunda utsjöområden, det vill säga
om­råden som ofta är aktuella för vindkraftsetablering. Kartorna i denna rap­
port skall därmed betraktas som resultat av metodstudier snarare än färdiga
planeringsunderlag. Vi har inkluderat områden ner till 20 m djup i Kattegatt
och till 30 m djup i Östersjön, eftersom vi haft tillgång till provfiskedata ner
till dessa djup. Detta omfattar det djupintervall som hittills varit kommersi­
ellt intressant för vindkraftsutbyggnad. I takt med att vindkraftstekniken för­
bättras kommer även djupare områden att bli aktuella för etablering, vilket
kommer att ställa nya krav på kartläggningsmetoder för fisk. Parallellt med
detta projekt har ett flertal studier av habitatmodellering för fisk i skärgårds­
områden utförts (Bergström m fl 2007b, Bergström och Fredriksson 2009,
Florin m fl 2009, Sundblad m fl 2009). I skärgårdsområdena fungerar GISbaserad kartläggning generellt bra, eftersom man här har starka miljögradi­
enter vilket gör att fiskhabitaten ofta är mycket väl avgränsade och därmed
lätta att identifiera. I denna studie utförs modellering av fiskhabitat i grunda
utsjöområden och i öppna kustområden, där miljögradienterna inte är lika
distinkta. Därmed kan man förvänta sig att detaljerad modellering i mindre
områden inte fungerar lika väl som vid kusten, medan storskalig modellering
över större havsområden torde fungera lika bra som i skärgårdsmiljöer.
Med hjälp av rumslig modellering kan man beskriva den sannolika utbred­
ningen av arter och habitat över heltäckande områden på basen av resultat
från inventeringar i enskilda punkter. Metoden ersätter därmed inte invente­
ringar, utan är ett komplement för att ge ett mervärde av de inventeringar som
utförs. Resultatet från inventeringar används för att göra en statistisk modell
för vilken typ av livsmiljö en art föredrar, och därefter används modellen för
att ta fram kartor som visar utbredningen av sådana livsmiljöer.
Information om olika fiskarters utbredning vid grunda utsjöbankar finns i
dagsläget från ett begränsat antal provfisken (figur 1). Dessa har utförts inom
ramen för de utsjöbanksinventeringar som koordineras av Naturvårdsverket
samt inom Fiskeriverkets arbete med fiskefria områden.
I rapporten presenteras resultat från fallstudier från två svenska havsom­
råden. I den första studien tar vi fram modeller på basen av provfisken utförda
vid utsjöbankarna Fladen och Lilla Middelgrund i Kattegatt. Vi prövar två
olika tillvägagångssätt. Dels modellerar vi utbredningen av fisk direkt utgå­
ende från fysiska variabler, dels indirekt genom att i ett första steg model­
lera habitatbildande växt- och djurarters utbredning, och i ett andra steg
11
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
använda detta resultat i modelleringen av fiskhabitat. Inom studien jämför
vi abundans­modeller (anger tätheten av fisk) med förekomstmodeller (anger
sanno­likheten för förekomst) , samt utvärderar hur överförbara modellerna
är mellan olika områden i Kattegatt.
I den andra studien modellerar vi utbredningen av de dominerande
arterna torsk, piggvar och skrubbskädda för grundområden i södra Egentliga
Östersjön. Vi testar hur användbara olika miljövariabler är för att förutsäga
utbredningen av fisk på en regional skala, samt skillnader mellan modeller
baserade på data från olika delar av studieområdet.
Figur 1. Utsjöbankar som har inventerats genom provfiske under de senaste fem åren. Röda punkter anger data som ingått i fallstudierna i Kattegatt samt Egentliga Östersjön i denna delrapport
12
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
2. Varför behöver fisken beaktas?
I Sverige, liksom i flera andra länder, är grunda områden långt från kusten av
särskilt intresse för utbyggnad av vindkraft, eftersom vindförhållandena är
goda till havs och eftersom en lokalisering här minskar risken för konflikter
med annan mänsklig verksamhet. Intressekonflikterna minskar ytterligare om
vindparken kan placeras på ett långt avstånd från land. Dessa förhållanden
gör de grunda utsjöbankarna attraktiva som de tekniskt och ekonomiskt mest
fördelaktiga alternativen, i jämförelse med djupare områden.
Identifiering av lämpliga lokaliseringsalternativ för havsbaserade vind­
parker försvåras ofta av brist på information om olika områdens naturvärden
samt om deras känslighet för påverkan från vindkraft. Många utsjöom­råden
som är av potentiellt intresse för vindkraft hyser ofta även höga värden för
biologisk mångfald. Eftersom utsjögrunden är mycket produktiva områden
utgör de ofta viktiga lek- och uppväxtområden för fisk. Vindkraftverken
påverkar sin omgivning framför allt genom att medföra strukturella för­
ändringar och en ökad mängd undervattensljud (Bergström m fl 2007a,
Wilhelmsson m fl 2010). Denna påverkan behöver kunna graderas och vär­
deras inom den marina planeringen. För att kunna göra denna bedömning
behöver vi bra kartor över utbredningen av viktiga livsmiljöer för fisk samt
kunskap om de mekanismer som kan påverka fisken.
Risken för negativ påverkan av en vindpark bedöms i de enskilda fallen i
samband med tillståndsprocessen. Endast ett fåtal havsbaserade vindparker
har dock etablerats i dagsläget, vilket gör att vi har begränsade erfarenheter
av hur vindparkernas påverkan ser ut och vilken omfattning den har (för en
sammanfattning, se Wilhelmsson m fl 2010). För svenska förhållanden syftar
några projekt inom kunskapsprogrammet Vindval till att belysa effekterna
för fisk och fiske samt det marina ekosystemet i övrigt. Därtill pågår kontroll­
program vid den största befintliga svenska vindparken Lillgrund i Öresund
(Bergström m fl 2009).
En sammanfattning av kunskapsläget gällande potentiella effekter av hav­
baserad vindkraft på fisk presenterades av Bergström m fl (2007). Risken för
negativ påverkan bedömdes vara som högst i samband med anläggningsfasen,
framför allt som en följd av buller i samband med sprängning och pålning,
samt av ökad sedimentspridning i samband med muddring och beredning av
havsbotten. Under driftskedet bedömdes den generella risken vara lägre, och
risken framför allt kopplad till särskilda naturvärden eller arter. De främsta
riskerna under driftsfasen rör beteendeeffekter av ljud från vindparken, fram­
för allt reproduktionsbeteendet, samt hur de nya fysiska strukturerna påver­
kar det lokala ekosystemet, inklusive fisken (tabell 1). Riskerna för negativa
effekter på fisk kan minimeras genom att undvika etablering inom särskilt
känsliga områden och genom att undvika byggnation under känsliga tid­
punkter av året. I synnerhet är det viktigt att ta hänsyn till lek- och uppväxt­
områden, eftersom ung fisk är hårdare knuten till specifika habitat än vuxen
fisk (Rice 2005, Juanes 2007).
13
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Tabell 1. Bedömning av risk för påverkan på fisk vid anläggning, drift, respektive avveckling av
vindpark enligt Bergström m fl (2007). L = låg risk, S = risk inom särskilt känsliga områden för
vissa arter, G = generell risk för alla områden. För driftskedet angavs en separat bedömning för
grundare respektive djupare områden, eftersom risken för påverkan bedöms minska med djupet.
Påverkan
Anläggning
Drift
<15–20 m djup
Drift
>15–20 m djup
Avveckling
Ljud och buller
G
S
S
G
Sedimentspridning
G
L
L
G
Tillkomst av nytt habitat
–
S
L
–
Habitatförlust
G
S
L
S
–
S
S
–
Elektromagnetism
Belysning och skuggor
–
S
L
–
Ändrade strömförhållanden
L
L
L
L
14
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
3. Metodik vid modellering av
fiskhabitat
Modellering av fiskhabitat utförs genom statistisk modellering kopplad till
GIS (geografiska informationssystem). På basen av provfisken identifieras
miljövariabler (till exempel djup, bottensubstrat, vågexponering m m) som
är starkt kopplade till förekomsten av fisk. Man beskriver relationen mellan
miljö­variablerna och fiskförekomst genom en statistisk modell, vilken sedan
appliceras på ett större geografiskt område (Guisan & Zimmerman 2000,
Austin 2002). Valet av statistisk metod kan variera, men ofta används gene­
rella additiva modeller (Lehmann et al. 2003, Francis et al. 2005).
För att de modellerade kartorna ska ha tillräckligt hög precision för att
vara användbara som planeringsunderlag krävs:
1) Ett kvantitativt provfiske som täcker in såväl områden där fisken
förekommer i stor mängd som områden där den art som ska stude­
ras är mer ovanlig eller inte förekommer alls.
2) Data för de potentiellt mest intressanta miljövariablerna vid samma
provtagningspunkter som provfisket.
3) Statistiska verktyg för att identifiera de viktigaste miljövariablerna
och beskriva sambandet mellan förekomsten av fisk och dessa miljö­
variabler. Den art vars utbredning man vill beskriva kallas i modellen
för responsvariabel och de miljövariabler som identifieras och
används kallas prediktorvariabler.
4) Noggranna heltäckande kartor över de miljövariabler förklarings­
modellen byggs på.
5) Utvärdering av modellens precision, genom så kallad korsvalidering
eller genom extern validering.
6) Om kartprediktionen skall användas till planering eller förvaltning
bör den även valideras mot ett dataset som inte använts i kalibre­
ringen av modellen.
3.1Provfiske
För att ett provfiske ska ge information som lämpar sig som underlag för
modelleringen är det viktigt att inventeringspunkterna täcker in en tillräckligt
stor variation i sådana miljövariabler som kan styra utbredningen av fisk. För
att täcka in hela gradienten är det alltså lika viktigt att fiska vid punkter där
fisken inte förekommer som att fiska i områden där den förekommer riktligt.
Variationen i miljövariabler kan täckas in antingen genom stratifierad prov­
tagning, eller genom att utföra en omfattande slumpmässig provtagning inom
hela det område man vill kunna uttala sig om.
Den mest etablerade metoden för fiskinventering i grunda områden
på västkusten är provfiske med småryssjor. Den standardiserade metodik
som används inom den nationella miljöövervakningen finns beskriven av
15
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Thoresson (1996). Småryssjorna fångar flera olika arter och ger ett mått på
förekomst av fisk vid en specificerad geografisk position. Metoden är väl
lämpad för att samla data för modellering, eftersom arbetsinsatsen för varje
fiskad station är låg. Därmed kan man till en rimlig kostnad täcka in många
provtagningspunkter, vilket ökar styrkan i den statistiska modelleringen.
I vissa fall används provfiske med nät även vid västkusten men det är ofta
praktiskt svårare än i Östersjön och sötvatten, eftersom kräftdjur, framför allt
strandkrabbor, fastnar i näten och även påverkar fiskfångsten.
För provfiske på utsjögrund i Östersjön är sammansatta nät med olika
maskstorlekar att föredra, eftersom småryssjor generellt inte är tillräckligt
effektiva för de arter som är vanliga här. För att så långt som möjligt kunna
jämföra resultat från provfisken utförda av olika aktörer rekommenderar
Fiskeriverket att man använder standardiserade metoder för provfiske med
nät. För utsjöområden förordas redskapet utsjölänkar (K072), vilket har mask­
storlekar mellan 17 och 120 mm i en geometrisk serie. Genom att använda nät
med olika maskstorlekar får man ett redskap som på ett representatitvt sätt
fångar fisk av varierande storlekar. Den allra minsta fisken fångas inte i denna
nätlänk. Anledningen till att finare maskstorlekar inte tagits med är att det i
praktiken är svårt att fiska med finare maskor, eftersom slitaget på redskapen
är högt i utsjöområden. Arbetsinsatsen för att provfiska med nät är högre än
vid fiske med småryssjor, men fisket är mer effektivt. Det här gör att de mest
allmänna arterna ofta noteras vid nästan alla stationer. Fördelen är å andra
sidan att man får en god skattning av abundans och storleksfördelning, vilket
är önskvärt i artfattiga områden, och även att man har en större sannolikhet
att observera sådana arter som förekommer i lägre tätheter.
Vid tolkningen av resultat från provfisken med passiva redskap, så som
nät och ryssjor, bör man observera att provfiskena återspeglar hur mycket
fisk som fångats med det aktuella redskapet under de aktuella förhållandena.
Resultaten från provfisket kan användas vid jämförelse mellan olika plat­
ser (eller på samma plats över tid) om samma metodik använts, men återger
inte absoluta tätheter. Sannolikheten för att en fisk ska gå in i redskapet kan
även variera mellan olika habitat eller mellan tider på dygnet. Till exempel är
fångsten vid ryssjefisken ibland lägre i vegetationsklädda än i vegetationsfria
områden, vilket inte borde förväntas på basen av att fisk ofta ansamlas i vege­
tationsklädda områden under dagtid (Juanes 2007 och referenser i denna).
Resultatet kan bero på att ryssjornas fångsteffektivitet påverkas negativt
av tät vegetation, eller på att ryssjefiskena utförs nattetid när fisken inte är
lika benägen att uppehålla sig i vegetation som under dagen (Bergström och
Fredriksson 2009).
3.2Miljövariabler
Miljövariablerna innehåller den information som används för att beskriva fis­
kens livsmiljö i den statistiska modelleringen. Data uppmäts i samband med
provfisket eller extraheras ur färdiga kartor. För att modellerna ska vara
16
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
användbara för att göra kartprediktioner måste det finnas information om
värdet för de utvalda miljövariablerna på ett heltäckande sätt inom hela det
områden man vill kunna uttala sig om. Tillgången på tillräckligt noggranna
kartor över de viktigaste miljövariablerna är i praktiken ofta det som begrän­
sar precisionen på resultatet av den rumsliga modelleringen.
Erfarenheter från kustområdet, vid modellering av lek- och uppväxt­
områden för arterna abborre, gädda, gös och mört visar dock att det är möj­
ligt att göra tillfredsställande prediktioner även med relativt få miljövariabler
(Bergström m fl 2007b, Bergström och Fredriksson 2009, Sundblad m fl
2009). Detta kan troligen delvis förklaras med att man har mycket starka gra­
dienter i miljön i skärgårdsområden, t ex när det gäller djup, vågexponering
och siktdjup. För utsjöområden är variationen i vågexponering och siktdjup
låg på en liten geografisk skala, vilket gör att livsmiljöerna inte är lika skarpt
avgränsade vid utsjögrund. Den topografiska variationen kan däremot vara
hög vid utsjögrund. Resultaten i denna rapport från modellerna i Kattegatt
och Egentliga Östersjön visar att djupet generellt är den viktigaste variabeln
för att identifiera livsmiljöer för fisk. Det är därför av största vikt att man har
högupplösta djupkartor över utsjöområden för att man ska kunna ta fram
detaljerade kartor över fiskhabitat vid grunda utsjöområden.
Det är även viktigt att data som modelleringen baserar sig på är rele­
vant för den tidpunkt under året som man vill uttala sig om, eftersom fiskens
använder olika livsmiljöer under olika säsonger. Detta är framför allt tydligt
när det gäller lek- och uppväxtområden.
Information om utbredningen av habitatbildande arter gav för några arter
bättre modeller för Kattegattområdet. I de flesta fall kunde ändå få lika bra
modeller enbart med fysiska förklaringsvariabler. Även i en annan studie från
norra Kattegatt har man visat att uppgifter på förekomsten av vegetation i
de flesta fall inte ökar precisionen i modeller över fisk- och kräftdjurshabitat
(Bergström och Fredriksson 2009).
3.3 Statistiska verktyg
Den statistika modelleringen bygger på att man kvantitativt identifierar vilka
miljöfaktorer (prediktorvariabler) som styr utbredningen av den art som stu­
deras (responsvariabeln).
Ett flertal statistiska metoder är användbara för att beskriva förekomsten
av en art i relation till miljöfaktorer. Vi har använt generella additiva modeller
(GAM), vilka är effektiva för att fånga även mer komplexa matematiska sam­
band (Lehmann m fl 2003, Francis m fl 2005, Bergström m fl 2007b).
Modelleringen görs i två steg. Först skapas modellen, genom att etablera det
statistiska sambandet mellan olika miljövariabler och responsvariabeln (den
art som modelleras). Variabler som inte tillför modellen tillräckligt mycket
information används inte. I nästa steg används modellen för att utgående från
heltäckande kartor över prediktorvariablerna (i rasterformat) göra en kartbild
som beskriver den beräknade utbredningen av responsvariabeln.
17
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Hur väl prediktionen stämmer överens med verkligheten beror både på
mängden och kvaliteten på de data som modellen bygger på, och på själva
modelleringsmetodiken. Det är därför viktigt att ange ett kvalitetsmått för
prediktionen, som hjälp för betraktaren att bedöma tillförlitligheten i kar­
torna. Som ett mått på modellpassningen har här använts modellens ROCvärde (receiver–operating–characteristic), eller COR-värde (Fielding och
Bell 1997, Lehmann m fl 2002). ROC-värdet används för förekomstmodel­
ler och motsvarar arean under ROC-kurvan. Idag saknas koncensus om hur
ROC-värden ska tolkas när det gäller habitatmodellering. För klassificering
av förekomstmodellernas kvalitet använder vi i denna rapport gränsvärdena i
tabell 2, enligt en rekommendation i Hosmer & Lemeshow (2000). Inte heller
för COR-värden finns någon koncensus om vilka värden som kännetecknar
en tillfredsställande modell. Generellt kan förklaringsgrader över 30 % (mot­
svarande COR=0,55) anses som relativt bra när det gäller abundansmodeller,
medan förklaringsgrader över 50 % (motsvarande COR=0,7) visar att model­
len är stark.
Tabell 2. Klassificering av modellens kvalitet enligt Hosmer & Lemeshow (2000).
ROC-värde
Kvalitet
0,9–1,0
Utmärkt
0,8–0,9
God
0,7–0,8
Intermediär
0,5–0,7
Svag
Genom korsvalidering får man ett mått på modellstabilitet och prediktiv
styrka i modellerna. Ett sådant värde anges i denna rapport som cvROC
eller cvCOR. Vid korsvalidering delas datasetet in i grupper, varpå en grupp
används för validering av de modellprediktioner som görs på basen av de
kvarstående grupperna. Detta repeteras sedan för alla grupper. En annan
metod går ut på att man på förhand delar datasetet i två delar, där ena delen
används för modellbygge och andra delen för validering, så kallad splitsample validering (Guisan & Zimmerman 2000). Denna metod är framför
allt lämplig för stora dataset (Sandman m fl 2008). Vid mindre dataset kan
korsvalidering vara att föredra framför split-sample validering, eftersom
man vid korsvalidering kan använda alla provpunkter för modellkalibre­
ringen istället för att sätta åt sidan en delmängd till endast validering. Detta
medför en högre säkerhet i skattningen av modellstabilitet och prediktiv
styrka (Molinaro m fl 2005, Maggini m fl 2006). Det allra säkraste måttet på
prediktiv styrka i en modell får man dock genom extern validering med ett
helt oberoende dataset (Guisan & Zimmerman 2000), men sådana komplet­
terande datamaterial är sällan tillgängliga i praktiken. En fördel med att
använda split-sample validering jämfört med extern validering är även att ett
externt dataset kan medföra variation till följd av att olika provtagnings­metod
använts, eller variation som beror på att artens utbredning varierat i tiden
mellan provtagningarna. Detta kan göra att den prediktiva styrkan i modellen
kan förefalla lägre än den varit i verkligheten. Det är dessutom ofta betydligt
18
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
mer kostnadseffektivt att öka antalet provpunkter vid en fältprovtagning, för
att kunna undvara några för validering, än att gå ut vid ett helt annat tillfälle
och göra en separat provtagning för validering.
Ett annat, ofta förekommande sätt att skapa heltäckande kartor från
spridda punktdata är att använda sig av olika interpoleringsmetoder. Styrkan
med att använda modellering istället för interpolering är att man i model­
leringen kan beakta variation i omvärldsfaktorer, medan interpolering helt
enkelt utgår från att platser nära varandra är lika. Modellering är generellt
en betydligt effektivare metod för att göra prediktioner än interpolationer, i
synner­het i heterogena miljöer.
Modelleringen är en viktig och tidseffektiv metod för att få ut mesta möj­
liga information av provfiskedata, men modelleringen förutsätter att utföraren
kontinuerligt ser till att de samband som modellen tar fram är ekologiskt rele­
vanta för den berörda arten.
3.4 Yttäckande kartor
Att skapa heltäckande kartor på basen av den statistiska modellen förutsät­
ter att det finns tillgång till yttäckande kartunderlag för de variabler som den
statistiska modellen baserar sig på. Precisionen i resultatet av den rumsliga
modelleringen är beroende av precisionen i kartorna över dessa miljövari­
abler. Tillgången till högupplösta kartor över miljövariabler utgör ofta en
begränsande faktor i denna typ av modellering (se nästa stycke för vidare
diskussion).
19
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
4. Hur användbar är habitat­
modellering för vindkrafts­
planeringen?
De två delstudierna som ingår i projektet visar att det för många fiskar i
Kattegatt och Egentliga Östersjön är möjligt att ta fram goda kartor över
potentiella livsmiljöer vid utsjögrund utgående från provfisken utförda med
nät och ryssja. Precisionen i modellerna blir inte lika hög som vid modelle­
ring av fastsittande arter som t ex vegetation, men tillräckligt god för att til�­
låta jämförelser mellan områden och även inom olika delar av samma grund.
Exempelvis var det tydligt för både Kattegatt och Egentliga Östersjön att de
flesta arter föredrog grundare områden. Eftersom produktiviteten ökar ju
grundare man kommer är det inte förvånande att både artdiversitet och abun­
dans av enskilda arter också ökar. Eftersom man helst placerar vindkraften i
grunda områden för att hålla nere anläggningskostnaderna kan detta betyda
en potentiell intressekonflikt. Genom att koppla samman studier av vilka
effekter vindkraften har på fisk med modellerade utbredningskartor kan man
ta fram ett viktigt planeringsunderlag för att minimera de negativa konsekven­
serna av vindkraft för fisk.
Vilka krav ska man då ställa på kartor över viktiga livsmiljöer för fisk
för att de ska vara användbara som planeringsunderlag? Vad som är använd­
bart varierar från fall till fall, även om det går att identifiera några generella
tumregler. Exempelvis är det viktigt att alla kartor åtföljs av ett mått på säker­
heten i modellprediktionen. Ett sådant mått ska helst baseras på en utvärde­
ring mot ett helt oberoende dataset, så kallad externvalidering (se ovanstånde
stycke). Eftersom oberoende valideringsunderlag ofta dock inte är tillgängliga,
kan en effektiv alternativ metod vara att man lägger undan delar av fält­datat
för modellvalideringen, en så kallad split-sample validering. Man behöver
också vara medveten om att modellernas tillförlitlighet avtar med avstån­
det från de områden som provtagits. Det är därför viktigt att prediktionen
är avgränsad rent geografiskt till närområdet för de punkter som provtagits.
Modellprediktionerna bör även avgränsas till att omfatta enbart de djupinter­
vall och vågexponeringsintervall som täckts in i fältstudien, eftersom model­
len enbart är anpassad för dessa delar av miljön. I vissa fall kan det dock vara
berättigat att extrapolera en prediktion utanför det område som undersökts.
Exempel på sådana fall är om man vill använda modellen för att identifiera
potentiellt viktiga områden för fisk vid prioritering av kommande invente­
ringar. Innan man använder modellerna i planeringsärenden i dessa områden
bör man dock verifiera modellförutsägelserna med hjälp av nya provfisken i
de aktuella områdena.
En stark begränsning vid modelleringen var tillgången på högupplösta
kartor över de miljövariabler som används för att identifiera viktiga fisk­
habitat. I de båda studier som ingår i projektet var djupet generellt den vikti­
20
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
gaste variabeln för att identifiera livsmiljöer för fisk. Det är därför av största
vikt att man har högupplösta djupkartor över utsjöområden för att man ska
kunna ta fram detaljerade kartor över fiskhabitat vid grunda utsjöområden.
En bättre precision på djupdata skulle även ge möjlighet att införa mer detal­
jerad information om variabler så som lutning och bottenkomplexitet, vilka
ofta styr utbredningen av fisk. Information om en del viktiga miljövariab­
ler som används i fiskmodellerna kan tas fram genom egen modellering eller
genom enklare GIS-baserade analyser. Exempelvis användes modellerade
kartor av habitatbildande arter för att beskriva förekomsten av fisk i delstu­
dien Kattegatt. Ett annat exempel är en GIS-baserad analys av avståndet till
lekområden, som visade sig vara en viktig variabel för att förklara utbred­
ningen av ungtorsk.
Sammantaget visar projektet att GIS-baserad rumslig modellering utgör
ett värdefullt komplement till inventeringar genom provfiske, och är en
metod för att optimera nyttjandet av den information som samlas vid inven­
teringar. En stor fördel med modellerade utbredningskartor är att de tillåter
kvantifiering av förekomst av olika typer av livsmiljöer på ett mer tillförlit­
ligt sätt än enbart punktdata gör. Genom att kartorna är yttäckande kan de
användas för att utvärdera olika områdens relativa betydelse för fisk och för
att identifiera områden där etablering av havsbaserad vindkraft medför de
lägsta riskerna för negativ påverkan på fiskbestånd. Man ska dock komma
ihåg att den här typen av kartor över livsmiljöer för fisk ställer stora krav
både på den som producerar kartorna och den som tolkar dem, eftersom
man hela tiden behöver beakta modellernas tillförlitlighet för att avgöra hur
användbara kartorna är.
21
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
5. Sammanfattning delstudie 1,
Kattegatt
I studien har vi undersökt möjligheterna att kartlägga viktiga fiskhabitat
vid utsjögrund i Kattegatt genom att kombinera ryssjeprovfisken med sta­
tistisk modellering och prediktioner i GIS. Vi har mer specifikt undersökt
frågeställningar kring användande av förekomstmodeller i relation till abun­
dansmodeller, användbarheten av olika miljövariabler som prediktorer, samt
möjligheterna att överföra modeller från ett geografiskt område till ett annat.
Kartor baserade på modellering togs fram för både habitatbildande arter
och för fisk vid Fladen och Lilla Middelgrund, de områden där provfisken
med ryssjor hade utförts. Modellerna över habitatbildande arter, så som tare,
död mans hand och musslor, blev generellt sett starka, trots att kartorna på
fysiska prediktorvariabler (t ex djup och bottensubstrat) var relativt grova.
Även modellerna för fisk och kräftdjur blev bra till utmärkta för de flesta stu­
derade arter. Detta visar att dessa arter är rätt starkt knutna till specifika habi­
tat. Resultaten visar att det går att ta fram heltäckande habitatkartor för fisk
vid utsjögrunden med relativt god precision med hjälp av modellering, och att
metoden bör kunna användas för att identifiera vilka delar av grunden som är
viktigast för fisk.
De miljövariabler som visade sig vara mest användbara för modelleringen
var djup och vågexponering. Resultaten visar på vikten av att man har till­
gång till högupplösta djupdata för att habitatkartorna ska få god precision.
Kartorna över habitatbildande arter visade sig vara viktiga förklaringsvariab­
ler för några av fiskarterna. I de flesta fall fick man dock lika starka modeller
utan dessa variabler.
Abundansmodellering ger mer information än förekomstmodellering, men
kräver bättre underlag för att kunna genomföras. För arter som förekommer i
höga tätheter i provtagningen och som inte har för hög andel nollföre­komster,
kan abundansmodellering genomföras, vilket visades för tre arter i denna
studie.
Att använda modeller byggda på data från ena grundområdet för att
förutsäga förekomst vid det andra grundet fungerade inte bra. Detta beror
troligen på att man får en överanpassning av modellerna för lokala förhål­
landen, vilket gör modellen mindre generell. Dessutom kan det vara så att
arternas habitatpreferenser varierar mellan områden, eller att man helt enkelt
saknar information om de miljövariabler som gör att utbredningen ser lite
olika ut för olika grund. Vill man bygga generella modeller är det viktigt att
data samlas in så att man täcker in hela spannet i de miljövariabler som styr
utbredningen av arterna. Det gör man säkrast genom att sprida provtagningen
över hela det område man vill göra habitatkartor för.
22
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
6. Sammanfattning delstudie 2,
Östersjön
Målsättningen med den här studien var att undersöka om statistiska modeller
baserade på omgivningsdata kan användas för att förutsäga förekomsten av
fisk i Östersjöns grunda utsjöområden. Resultaten visar att sådana modeller
kan bli starka och fungera väl på en skala om tiotals till hundratals kilometer,
när det gäller att identifiera viktiga fiskhabitat för de allmännast förekom­
mande arterna i området – uppväxtområden för torsk, födosöksområden för
skrubbskädda och lekområden för piggvar. Modellerna för vuxen torsk funge­
rade inte lika bra, sannolikt beroende på att den är en generalist som kan före­
komma i de flesta habitat. Vid modelleringen användes data från flera olika
år, vilket ökar modellernas generalitet genom att mellanårsvariation i fiskföre­
komst elimineras, och modellen kommer att bygga endast på mönster som är
bestående över längre tid.
Generellt hade prediktorer som varierar på större geografisk skala, så som
avstånd till land, avstånd till lekområde för torsk och bottenströmmar större
inverkan på modellerna än de lokala prediktorerna djup och lutning. De pro­
ducerade modellerna är därför mer användbara för att särskilja storskaliga
skillnader inom området, medan de inte är lika tillförlitliga på lokal skala.
Piggvarsmodellen skiljde sig dock från de övriga, genom att det här var djupet
som stod för den högsta förklaringsgraden. Det innebär att den modellen
bättre återgav de lokala variationerna än de regionala.
För alla tre modellerade arter överskattas tätheterna av fisk i Hanöbukten
när man jämför med fångsten enligt provfisken i samma område, dvs trots
goda miljöförutsättningar (enligt modellen) så var tätheterna relativt låga.
Den mest sannolika förklaringen till detta är att fisketrycket i området är så
högt att det lett till en minskad förekomst av arterna jämfört med i de ostliga
områdena, där fisketrycket är betydligt lägre (figur 2-2 i Teknisk rapport 2).
Resultatet är särskilt tydligt i modellerna för uppväxande torsk, den art som
utsätts för högst fisketryck. Den modell för uppväxande torsk som konstrue­
rades på basen av hela provfiskedatat hade en betydligt sämre passning än den
modell som var baserad på enbart den östra delen av området. Utfallet visar
på vikten av att man vid modellering av hårt exploaterade arter strävar efter
att bygga modellerna på data från områden med så låg störning som möjligt,
för att få en god uppfattning som möjligt om artens reella habitatpreferens.
23
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
7. Teknisk rapport 1: Modellering
av fiskhabitat i Kattegatt
Undersökningar och modelleringar i denna fallstudie har genomförts vid
utsjögrunden Fladen och Lilla Middelgrund i Kattegatt på svenska västkus­
ten. I studien har vi undersökt möjligheterna att kartlägga viktiga fiskhabitat
i Kattegatt genom att kombinera ryssjeprovfisken med statistisk modellering
och prediktioner i GIS. Vi har mer specifikt undersökt frågeställningar kring
användande av förekomstmodeller i relation till abundansmodeller, använd­
barheten av olika miljövariabler som prediktorer, samt möjligheterna att över­
föra modeller från ett geografiskt område till ett annat.
GIS-modelleringen av viktiga fiskhabitat gjordes i steg. Vi började med att
ta fram de underlagsdata som behövdes från Naturvårdsverkets utsjöbanks­
inventering. Utifrån dessa data modellerades först utbredningen av ett antal
habitatbildande arter, dvs fastsittande bottenlevande alger och djur som
skapar en livsmiljö som fisken i sin tur kan vara knuten till i högre eller lägre
grad.
De kartor som skapades över utbredningen av habitatbildande arter
användes sedan, tillsammans med kartdata som beskrev den fysiska miljön,
som underlag då vi modellerade förekomst och abundans av ett antal fisk­
arter. Först skapades modeller baserade på fiskedata från både Fladen och
Lilla Middelgrund. Internvalidering och korsvalidering gav mått på hur bra
modellerna är på att förutsäga distributionen av fisk på grunden.
Vi gick sedan vidare med att skapa modeller baserade på data från ett av
grunden och validera dessa med data från det andra grundet. På det viset får
man en bild av hur bra en modell är på att förutsäga fiskdistributionen utan­
för det område där man har data.
7.1Metodik
Responsvariabler
Responsvariabler kallas de arter/organismgrupper vars utbredning man vill
beskriva statistiskt med hjälp av miljövariabler. De statistiska modellerna
används i följande steg för att skapa yttäckande kartor över potentiella habi­
tat för arterna i GIS. Uppgifter på responsvariablerna har man i form av
punktdata med tillhörande geografiska positioner, dvs uppgifter från respek­
tive fiskestation. De biologiska data som använts i modelleringarna av habitat­
bildande arter härstammar från Naturvårdsverkets utsjöbanksinventering
2004–2005. Data från dyktransekter, bottenhugg och ROV-undersökningar
användes. Täckningsgrad av de olika arterna översattes till förekomst eller
frånvaro (ett eller noll) av arten i varje inventeringspunkt.
För fiskmodelleringen användes data från ryssjefiske utfört av Fiskeri­
verket under maj 2004. Fisket utfördes med småryssjor, som är 55 cm höga,
har en 5 m lång arm och en maskstople på 17 mm. Småryssjor lämpar sig
24
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
väl som redskap i Öresund, Kattegatt och Skagerrak, där den talrika före­
komsten av krabbor gör nätfiske mycket tidskrävande. Ryssjefiske är en bra
metod för provfiske avsett att klarlägga fiskars och kräftdjurs habitatval på
västkusten, eftersom den fångar många arter och ger bra mått på lokal före­
komst av fisk.
På varje station fiskades med sex stycken kopplade ryssjor. Fiskena utför­
des på utslumpade stationer, ner till 20 m djup. Vid Lilla Middelgrund fiska­
des 58 stationer och vid Fladen 43. Varje station fiskades under en natt, så att
ryssjorna lades ut mellan kl 14 och 17, och bärgades påföljande förmiddag.
Alla fiskar och större kräftdjur artbestämdes och längdmättes, och släpptes
sedan tillbaka. På varje station noterades position, djup och bottensubstrat i
mån av möjlighet.
Mängden fisk uttrycks i abundansmodelleringen som antal fiskar per
ansträngning, och som förekomst eller frånvaro (ett eller noll) för förekomst­
modelleringen. De arter som modellerades med förekomstmodellering var
stensnultra, juvenil torsk, vuxen torsk, tunga, ål, grässnultra och krabbtaska.
Abundansmodellering gjordes för stensnultra, ungtorsk och tunga.
Prediktorvariabler
Prediktorvariablerna är de faktorer som används som grund för modelle­
ringen. De används i grid-form i GIS-programmet ArcView 3,3 för att göra
prediktioner, förutsägelser, om utbredningen av de arter man modellerar.
I detta projekt använde vi oss av följande prediktorvariabler.
Djup, lutning och lutningsriktning
Modeller för djup, lutning och lutningsriktning har tagits fram i ArcGIS 9,0
med utgångspunkt i de digitala sjökorten nr 924–925 från Sjöfartsverket
(avtal: 010207-02-02039/235-61D3-04), som täcker både Fladen och Lilla
Middelgrund. Djuppunkter från sjökortet användes först för att skapa en digi­
tal höjdmodell i form av en TIN (Triangular Irregular Network) över områ­
det. Utifrån denna höjdmodell beräknades sedan lutning och lutningsriktning.
Vågexponering
Vågexponering i ytan beräknad enligt metoden SWM (Isaeus 2004).
Djupkorrigerad vågexponering
SWM har här korrigerats för djupet i varje gridcell genom ett script i ArcView
3,3 enligt Bekkby m fl (2008). Man får då fram vågexponeringen på botten.
Bottensubstrat
Bottensubstrat enligt SGU:s kartläggning från Utsjöbanksinventeringen.
Bentiskt komplexitetsindex
Ett index som beskriver bottnens komplexitet, beräknat enligt metod av
Ardron (2002).
25
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Habitatbildande arter
För att kunna använda förekomsten av habitatbildande arter som prediktor­
variabler i fiskmodelleringen gjordes modellprediktioner för de vanligaste
habitatbildarna i området. Dessa var fingertare (Laminaria digitata), stortare
(Laminaria hyperborea), skräppetare (Saccharina latissima), Död mans hand
(Alcyonium digitatum), blåmussla (Mytilus edulis), hästmussla (Modiulus
modiulus) samt Laminariaarterna som grupp (tarearter) och de två mussel­
arterna tillsammans (Musslor). I den slutliga fiskmodelleringen användes kart­
prediktionerna för tarearter, musslor samt död mans hand.
I alla resultatkartor som redovisas har områden med djup större än 21 m
utelämnats, eftersom responsdatasetet inte innehåller datapunkter från dju­
pare områden. Samma sak gäller för vågexponering, där områden med expo­
nering under 590 000 har tagits bort i resultatkartorna.
Rumslig modellering
Yttäckande kartor (griddar) har tagits fram i GIS med hjälp av rumslig model­
lering. Modelleringen bygger på statistiska samband mellan prediktorvariabler
och responsvariabeln, där responsvariabeln är föremålet för modelleringen,
till exempel förekomst av stensnultra, och prediktorvariabler är sådana som
kan påverka responsvariabeln, i detta fall djup, vågexponering, bottensubstrat
m fl. Fördelen med att använda modellering istället för interpolering är att
modelleringen baserar sig på hur omvärldsfaktorer påverkar responsvariabeln,
medan interpolering bara utgår från att platser nära varandra är lika. I hetero­
gena miljöer som bottnarna på Fladen och Lilla Middelgrund är modellering
en betydligt mer kraftfull metod, medan interpolering ibland kan fungera i
homogena miljöer.
Modelleringen görs i två steg. Först skapas modellen, vilket innebär att
de statistiska sambanden mellan prediktorvariabler och responsvariabler eta­
bleras. I detta steg tas variabler som inte tillför modellen tillräckligt mycket
information bort. I nästa steg används modellen för att utifrån kartgriddar
av prediktionsvariablerna göra en prediktion i form av en kartbild (grid) som
beskriver den beräknade utbredningen av responsvariabeln. Varken modellen
eller prediktionen är perfekta eftersom de beror av mängden och kvalitén på
de data som de bygger på, och på själva modelleringsmetoden. Det är därför
viktigt att ett kvalitetsmått (valideringsresultat) för prediktionen anges vilket
hjälper betraktaren att bedöma resultatet.
I denna studie har modelleringar utförts i GRASP (Lehmann m fl 2002)
som är ett tillägg till statistikprogrammen S-plus eller R. Modelleringen
bygger på generaliserade additiva modeller (GAM), vilket visat sig ge goda
prediktioner. Prediktorvariablerna väljs ut med hjälp av Akaike’s Information
Criterion, AIC. Prediktioner i GRASP görs i ett tillägg till ArcView och använ­
der sig av rasterkartor av prediktionsvariablerna i ArcView. För att en variabel
ska kunna användas som prediktor krävs alltså att man har ett yttäckande
kartskikt för variabeln. Prediktionerna utgörs av kartfiler (griddar) som kan
visas i ArcView/ArcGIS.
26
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Förekomstmodeller
Om responsvariabeln i modellen är förekomst/frånvaro av en viss art eller
artgrupp, så visar de predicerade kartorna sannolikheten mellan 0 och 1 för
förekomst av denna art eller artgrupp för varje cell i ett raster. Utvärdering av
modellen i GRASP har gjorts genom validering och korsvalidering. Vid vali­
deringen tittar man på hur bra modellen är på att prediktera i alla de punkter
som använts för att skapa modellen. Då får man ett ROC-värde (Receiver
Operator Characteristic), som är en typ av AUC-värde (area under kurva).
Korsvalideringen innebär att slumpvis utvalda grupper av de datapunkter
man använt för att skapa modellen används även för att kontrollera hur väl
prediktionen stämmer med de observerade värdena. Detta är inte lika starkt
som att validera prediktionerna mot ett oberoende inventeringsmaterial,
men eftersom ett sådant ofta saknas är korsvalidering en vanlig och accep­
terad metod för att mäta modellstabilitet och prediktiv styrka (Maggini m fl
2006). Korsvalideringen ger ett värde som kallas cvROC. I båda fallen är 0,5
ett resultat som kan betraktas som slumpmässigt, och 1,0 är en perfekt pre­
diktion. Värden över 0,8 kan betraktas som mycket bra och över 0,9 som
utmärkt (Hosmer och Lemeshow 2000).
De modeller som baserats på data från ett av grunden har validerats med
data från det andra grundet. Detta ger svar på hur bra modellen stämmer
överens med fiskförekomsten på det andra grundet.
Abundansmodeller
Kartorna som skapats med hjälp av abundansdata visar mängden fisk av en
viss fiskart för varje cell i ett raster. Mängden fisk i detta fall motsvarar det
antal fiskar av arten som man förväntas fånga under en natts fiske i den typ av
ryssjor som användes vid provfisket. Endast några arter gick att modellera på
detta vis eftersom kvantitativ modellering ställer högre krav på inventerings­
data än modellering av förekomst.
Utvärdering av abundansmodellerna har gjorts genom intern validering
och korsvalidering. Modellpassningen utvärderades genom validering med
Pearsons korrelationskoefficient (COR). Värden över 0,5 innebär att mer än
25 % av variationen i fisktätheter förklaras av modellen, och värden över 0,7
att mer än halva variationen förklaras av modellen. Ett värde på 1,0 betyder
att modellen förklarar hela variationen i täthet, och en sådan modell skulle
alltså vara perfekt. Korsvalideringen ger ett mått på modellstabilitet och pre­
diktiv styrka och mättes i det här fallet som cvCOR. Vid korsvalidering delas
datasetet in i grupper varpå en grupp används för validering av modellpredik­
tioner som görs på basen av de kvarstående grupperna av datasetet och detta
repeteras sedan för alla grupper.
7.2 Resultat och diskussion
Habitatbildande arter
Fiskar är ofta associerade till andra arter som skapar olika habitat på havs­
bottnen (Sandström et al. 2005, Pihl och Wennhage 2002). Därför började vi
27
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
med att modellera vissa av dessa habitatbildande arter och artgrupper. Målet
var att prediktioner av dessa arters utbredning skulle kunna användas som
underlag i modelleringen av fisk.
De habitatbildande arter som modellerades var fingertare (Laminaria
digitata), stortare (Laminaria hyperborea), skräppetare (Saccharina latissima), Död mans hand (Alcyonium digitatum), blåmussla (Mytilus edulis),
hästmussla (Modiulus modiulus) samt tarearterna som grupp och de två
musselarterna tillsammans (Musslor). Alla habitatbildande arter och grupper
modellerades med förekomst/frånvaro-data (1 eller 0) och prediktionerna
resulterade alltså i kartor som beskriver sannolikheten för förekomst av
arten. De modeller som redovisas nedan är utvalda direkt av AIC-processen
i GRASP.
Fingertare
Den bästa modellen för fingertare baseras på prediktorerna djup, vågex­
ponering, bottensubstrat och lutningsriktning, där den mest betydelsefulla
prediktorn var djup. Arten förekom främst i grunda områden med hög våg­
exponering. Utvärderingen gav ROC=0,965 och cvROC=0,953 vilket visar
att detta är en utmärkt och stabil modell som beskriver utbredningen av finger­
tare på ett bra sätt. Ett utsnitt ur den predikterade kartan ses i figur 1-1, hela
kartan finns i bilaga 1.
Figur 1-1. Utsnitt ur den predikterade utbredningskartan för fingertare. Mörkare färg visar på högre
sannolikhet för förekomst av fingertare.
Stortare
Den bästa modellen för stortare baseras på prediktorerna djup, bottensubstrat
och vågexponering, där den mest betydelsefulla prediktorn var djup. Arten
förekom främst i grunda områden med hög vågexponering. Utvärderingen gav
ROC=0,85 och cvROC=0,81 vilket visar att detta är en god och stabil modell
28
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
som beskriver utbredningen av stortare på ett bra sätt. Den predikterade
kartan finns i bilaga 2.
Skräppetare
Den bästa modellen för skräppetare baseras på prediktorerna djupkorrigerad
vågexponering samt bottensubstrat, där den mest betydelsefulla prediktorn
var bottensubstrat. Utvärderingen gav ROC=0,80 och cvROC=0,78 vilket
visar att detta är en intermediär men stabil modell som beskriver utbredningen
av skräppetare på ett bra sätt. Den predikterade kartan finns i bilaga 3.
Död mans hand
Den bästa modellen för död mans hand baseras på prediktorerna djupkor­
rigerad vågexponering, bottensubstrat och djup, där den mest betydelsefulla
prediktorn var djupkorrigerad vågexponering. Arten förekom främst i dju­
pare områden med låg vågexponering. Utvärderingen gav ROC=0,83 och
cvROC=0,79 vilket visar att detta är en intermediär men stabil modell som
beskriver utbredningen av död mans hand på ett bra sätt. Ett utsnitt ur den
predikterade kartan ses i figur 1-2, hela kartan finns i bilaga 4.
Figur 1-2. Utsnitt ur den predikterade utbredningskartan för död mans hand. Mörkare färg visar på
högre sannolikhet för förekomst av död mans hand.
Blåmussla
Den bästa modellen för blåmussla baseras på prediktorerna djup, vågexpo­
nering, och lutning, där den mest betydelsefulla prediktorn var djup. Arten
var vanligast i grunda områden med låg vågexponering. Utvärderingen
gav ROC=0,98 och cvROC=0,64. Den stora skillnaden mellan ROC och
cvROC indikerar att modellen är överanpassad och därför inte så generell.
Prediktionen är därmed inte så tillförlitlig. Resultatet visar på betydelsen av
att göra korsvalidering, dvs ta fram cvROC, för att få en bättre förståelse för
modellen. Den predikterade kartan finns i bilaga 5.
29
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Hästmussla
Den bästa modellen för hästmussla baseras även den på prediktorerna djup,
vågexponering och lutning, där den mest betydelsefulla prediktorn var lut­
ning. Utvärderingen gav ROC=0,88 och cvROC=0,84 vilket visar att detta är
en god och stabil modell som beskriver utbredningen av hästmussla på ett bra
sätt. Den predikterade kartan finns i bilaga 6.
Tarearter
Den bästa modellen för de tre tarearterna tillsammans baseras på predikto­
rerna djupkorrigerad vågexponering, bottensubstrat och lutningsriktning,
där den mest betydelsefulla prediktorn var bottensubstrat. Gruppen före­
kom främst på hårda bottnar med hög vågexponering. Utvärderingen gav
ROC=0,88 och cvROC=0,85 vilket visar att detta är en god och stabil modell
som beskriver utbredningen av tare på ett bra sätt. Den predikterade kartan
finns i bilaga 7.
Musslor
Den bästa modellen för blåmussla och hästmussla tillsammans baseras även
den på prediktorerna djup, vågexponering och lutning, där den mest bety­
delsefulla prediktorn var djup. Gruppen förekom främst på grunda bottnar
med låg vågexponering. Utvärderingen gav ROC=0,90 och cvROC=0,75
vilket visar att detta är en intermediär men relativt stabil modell som beskri­
ver utbredningen av musslor på ett bra sätt. Ett utsnitt ur den predikterade
kartan ses i figur 1-3, hela kartan finns i bilaga 8.
Figur 1-3. Utsnitt ur den predikterade utbredningskartan för musslor. Mörkare färg visar på högre
sannolikhet för förekomst av musslor.
30
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Förekomstmodellering av fisk
De arter som modellerades med förekomstmodellering var stensnultra
(Ctenolabrus rupestris), juvenil torsk (Gadus morhua), stor torsk (Gadus
morhua), tunga (Solea solea), ål (Anguilla anguilla), grässnultra (Centrolabrus
exoletus) och krabbtaska (Cancer pagurus). Alla arter modellerades med
närvaro­/frånvaro-data (0 eller 1) och prediktionerna resulterade i kartor som
beskriver sannolikheten att finna individer av den aktuella arten i varje raster­
cell. Modeller har valts med ledning av AIC i GRASP, men också utifrån eko­
logiska kunskaper om vilka faktorer som påverkar artens utbredning.
Stensnultra
Den slutgiltiga förekomstmodellen för stensnultra baseras på prediktorerna
vågexponering och djup, där arten föredrog grunda områden med hög vågex­
ponering. Detta överensstämmer med tidigare observationer av artens utbred­
ning, där man sett att den är associerad med växtbeklädda hårdbottnar (Pihl
och Wennhage 2002). Utvärderingen gav ROC=0,89 och cvROC=0,85 vilket
visar att detta är en god och stabil modell som beskriver utbredningen av
stensnultra på ett bra sätt. Den predikterade kartan finns i bilaga 9.
Ungtorsk (<28 cm)
Den slutgiltiga förekomstmodellen för torsk under 28 cm, vilket motsva­
rar 0–1 årig fisk, baseras på prediktorerna djup och lutning. Ungtorsken var
vanligast i grunda områden med stor lutning. Utvärderingen gav ROC=0,76
och cvROC=0,71 vilket visar att detta är en intermediär och relativt stabil
modell. Den predikterade kartan kartan finns i bilaga 10. Ett liknande möns­
ter i utbredning kunde ses för ungtorsk i utsjön även i Östersjön (Teknisk
rapport 2), med högre tätheter i områden med stark lutning. I ett kustnära
område i norra Kattegatt föredrog ungtorsk tydligt grunda och skyddade
områden (Bergström och Fredriksson 2009). Skillnaden i vågexponering
mellan olika områden i denna studie var liten, vilket antagligen är en del­
förklaring till att modellen inte blev så stark.
Tunga
Den slutgiltiga förekomstmodellen för tunga baseras på prediktorerna djup,
lutning och musslor. Utvärderingen gav ROC=0,81 och cvROC=0,74 vilket
visar att detta är en intermediär men stabil modell. Den predikterade kartan
finns i bilaga 11. Det är svårt att avgöra om förekomsten av musslor i detta
fall faktiskt styr utbredningen av tunga eller om det är så att musselmodellen
enbart råkar sammanfalla med tungans preferens för grunda områden med låg
vågexponering. Om man konstruerar en modell med enbart fysiska variabler
får man en modell med bara en aning lägre förklaringsgrad, vilket tyder på det
senare. Eftersom provfisket utfördes under lektid för tunga (Florin 2005 och
referenser i denna) och gott om lekmogen fisk påträffades i fisket, anger predik­
31
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
tionerna sannolikt lekområden för arten. Tunga har tidigare rapporterats leka i
grunda områden i Nordsjön med relativt finkornigt ytsubstrat (Fox et al. 2000,
Eastwood et al 2001), vilket stämmer överens med våra observationer.
Stor torsk (>28 cm)
Den slutgiltiga förekomstmodellen för torsk över 28 cm, vilket motsvarar två­
åriga och äldre individer, baseras på prediktorerna djup och vågexponering,
där torsken föredrar grunda områden med låg exponeringsgrad. Utvärderingen
gav ROC=0,79 och cvROC=0,75, vilket visar att modellen är av intermediär
kvalitet men relativt stabil. Även i modelleringen för Östersjön visade sig den
större torsken föredra grunda områden (Teknisk rapport 2). Ett utsnitt ur den
predikterade kartan ses i figur 1-4, hela kartan finns i bilaga 12.
Figur 1-4. Utsnitt ur den predikterade utbredningskartan för stor torsk. Mörkare färg visar på högre
sannolikhet för förekomst av stor torsk.
Ål
Den slutgiltiga förekomstmodellen för ål baseras på prediktorerna tare­
arter och vågexponering, där den mest betydelsefulla prediktorn var tare­
arterna. Arten förekom i områden med mycket tare och låg vågexponering.
Utvärderingen gav ROC=0,97 och cvROC=0,94 vilket visar att detta är en
utmärkt och stabil modell som beskriver utbredningen av ål på ett bra sätt.
Den predikterade kartan finns i bilaga 13. Att man här med hög precision kan
identifiera ålhabitat är intressant, eftersom det i en tidigare studie i ett kust­
nära område i Kattegatt (Bergström och Fredriksson 2009) inte gick att ta
fram en tillförlitlig modell. En eventuell förklaring till detta kan vara att ålen
på de här mycket exponerade utsjögrunden är starkare knuten till skyddande
vegetation.
32
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Grässnultra
Den slutgiltiga förekomstmodellen för grässnultra baseras på prediktorerna
djup och vågexponering, där arten föredrog grunda områden med hög våg­
exponering, precis som stensnultran. Utvärderingen gav ROC=0,90 och
cvROC=0,87 vilket visar att detta är en god och stabil modell som beskriver
utbredningen av grässnultra på ett bra sätt. Den predikterade kartan finns i
bilaga 14. Habitatvalet för grässnultra liknar det som observerades i ett kust­
område i norra Kattegatt, där arten också förekom i grunda och exponerade
områden (Bergström och Fredriksson 2009).
Krabbtaska
Den slutgiltiga förekomstmodellen för krabbtaska baseras på prediktorerna
djup och vågexponering, där den mest betydelsefulla prediktorn var djup.
Utvärderingen gav ROC=0,77 och cvROC=0,73 vilket visar att detta är en
intermediär modell. Den predikterade kartan finns i bilaga 15. Krabbtaska
förekom främst i djupa områden med hög vågexponering. Ett liknande
mönster har observerats i ett kustområde i norra Kattegatt (Bergström och
Fredriksson 2009).
Abundansmodellering av fisk
Tre av de vanligast förekommande fisk­arterna, stensnultra, ungtorsk och
tunga, modellerades även med abundansmodellering. Arterna modellera­
des med antal fiskar per ansträngning
och prediktionerna resulterade alltså i
kartor som beskriver mängden fisk per
ansträngning i varje rastercell. Modeller
har valts med ledning av AIC i GRASP,
men också utifrån ekologiska kunskaper
om vilka faktorer som påverkar artens
utbredning.
Stensnultra
Den slutgiltiga abundansmodellen för
stensnultra baseras på prediktorerna
djup, och vågexponering, med posi­
tiv respons på grunda och exponerade
miljöer precis som i förekomstmodel­
len. Utvärderingen gav COR=0,62 och
cvCOR=0,55 vilket visar att detta är
en relativt bra och stabil modell som
beskriver utbredningen av stensnultra
på ett bra sätt. Ett utsnitt ur den predik­
terade kartan ses i figur 1-5, hela kartan
finns i bilaga 16.
33
Figur 1-5. Utsnitt ur den predikterade utbredningskartan för stensnultra. Mörkare
färg visar på större förekomst av sten­snultra.
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
UNGtorsk (<28 cm)
Den slutgiltiga abundansmodellen för juvenil torsk baseras på prediktorerna
djup, vågexponering och tarearter, med positiv respons på grunda, expone­
rade områden med lite tare. Prediktorvariablerna skiljer sig en del från före­
komstmodellen, men prediktionerna för de två modellerna blir ändå relativt
likartade. Utvärderingen gav COR=0,55 och cvCOR=0,40. Den predikterade
kartan finns i bilaga 17.
Tunga
Den slutgiltiga abundansmodellen för tunga baseras på prediktorerna djup
och musslor, där tungan föredrog grunda områden med hög sannolikhet
för musslor. Modellen blev därmed mycket likartad förekomstmodellen.
Utvärderingen gav COR=0,68 och cvCOR=0,51 vilket visar att detta är en
bra och stabil modell som beskriver utbredningen av tunga på ett bra sätt.
Den predikterade kartan finns i bilaga 18.
Jämförelse mellan abundansmodeller och förekomstmodeller
Det finns inget riktigt bra sätt att jämföra modelleringsframgången mellan
förekomst- och abundansmodellering. Korrelationsvärden (COR eller cvCOR)
är teknisk möjligt att använda men de passar en kontinuerlig responsvariabel
som abundans bättre än en binomial variabel som förekomst. En jämförelse
av korrelationsvärden mellan abundans- och förekomstmodeller gjordes här
för att ge ett grovt mått på modellernas användbarhet (tabell 1-1). Resultatet
visar inte på några tydliga skillnader i passning mellan förekomst- och abun­
dansmodeller. För arter som förekommer i höga tätheter i provtagningen och
inte har för hög andel nollförekomster, så ger abundansen mer information
om habitatkvalitet än enbart förekomst gör. För abundanta arter kan före­
komstmodeller vara olämpliga också för att man noterat förekomst på de
flesta stationer, och att det därmed inte går att relatera förekomst och från­
varo av arten till skillnader i habitatkvalitet. Erfarenheten visar att det krävs
mindre omfattande dataunderlag för att åstadkomma säkra förekomstmodel­
ler än abundansmodeller vilket gör att dessa ofta kan föredras i realiteten.
Tabell 1-1. Jämförelse av intern validering (COR) och korsvalidering (cvCOR) av förekomstrespektive abundansmodeller för stensnultra, juvenil torsk samt tunga.
Modell
COR
cvCOR
Stensnultra förekomst
0,68
0,64
Stensnultra abundans
0,62
0,55
Torsk <28 cm förekomst
0,37
0,23
Torsk <28 cm abundans
0,55
0,40
Tunga förekomst
0,52
0,39
Tunga abundans
0,68
0,51
Betydelsen av habitatbildande arter som prediktorer i fiskmodelleringen
Vi har också tittat på huruvida det är värdefullt att i modellerna ha med
habitatbildande arter som prediktorer. Jämförelserna har genomförts på
abundansmodeller av stensnultra, juvenil torsk och tunga. Vid denna jäm­
34
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
förelse har vi använt oss av de modeller som enligt AIC-beräkningarna i
GRASP är de bästa.
Vid abundansmodellering av stensnultra har de habitatbildande arterna
ingen större inverkan på modellen. Oavsett om man tar med dessa prediktorer
eller ej så är den bästa möjliga modellen baserad på endast vågexponering och
djup.
Vid abundansmodellering av juvenil torsk har prediktorlagret som visar
förekomsten av tare stor inverkan på modellen, men det är knappast fråga
om ett direkt orsakssamband. Om habitatbildande arter inte är med som pre­
diktorer i modelleringen så baseras den bästa modellen på djup, lutning och
vågexponering, och COR-värdet är 0,58 (cvCOR=0,47). Om habitatbildande
arter tas med så är den bästa modellen baserad på djup, vågexponering och
tarearter, och COR-värdet är 0,54 (cvCOR=0,46). Effekten av tarearter är
negativ i modellen vilket är förvånande med tanke på att man tidigare visat att
ungtorsk ofta finns i höga tätheter i vissa typer av vegetation (Pihl m fl 2006,
Juanes 2007).
Vid abundansmodelleringen av tunga har skiktet som visar utbredning
av musslor en stor inverkan på modellen. Utan habitatbildande arter är den
bästa modellen baserad på djup och vågexponering, med COR=0,53 och
cvCOR=0,43. Med habitatbildande arter så faller en modell baserad på djup
och distribution av musslor ut som den bästa, COR=0,68 och cvCOR=0,51.
På grund av den starka samvariationen mellan de habitatbildande arterna
och enskilda fysiska prediktorvariabler, som djup och vågexponering, är det
svårt att uttala sig generellt om behovet av att ta med habitatbildande arter
för modellering av fiskhabitat. I ovanstående jämförelse fick man enbart för
tunga en tydligt starkare modell genom att inkludera sannolikheten för före­
komst av musslor i modellen. För stensnultra och torsk fick man inte starkare
modeller om man inkluderar habitatbildande arter i modellerna. Bland före­
komstmodellerna hade ål och krabba en tydlig association till tare, och tunga
påverkades av utbredningen av musslor. I övriga fall förbättrade inte biotiska
variabler modellerna.
De viktigaste prediktorvariablerna överhuvudtaget var djup och vågexpo­
nering. Ett flertal av förklaringsvariablerna som testades valdes inte ut i någon
av modellerna, vilket tyder på att de är av begränsad användbarhet för att
karakterisera fiskhabitat i området (tabell 1-2).
Resultat från en liknande studie i nordligaste Kattegatt visade att vege­
tationen hade mycket liten inverkan på förekomsten av ett antal fiskar och
kräftdjur, och att habitatvariablerna därmed inte var så viktiga (Bergström
och Fredriksson 2009). I den studien hade man inventerat förekomsten av
habitatbildande arter vid alla provfiskestationer, vilket ger en mer tillförlitlig
analys av betydelsen av habitatbildande arter än denna studie där även de
habitatbildande arterna har modellerats.
Slutsatsen av båda studierna pekar därmed i samma riktning, dvs att infor­
mation om habitatbildande arter i de flesta fall inte förbättrar precisionen i
fiskmodellerna. Dock kan provtagningsmetoden påverka resultatet. I dessa
studier har vi fiskat med ryssjor kväll-natt-morgon, dvs under den tid på
35
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
dygnet då de flesta fiskar är aktiva. Därmed får vi en bild av fiskens födosöks­
områden. Dagtid är fisken mera beroende av skydd för att undvika predation,
och håller sig då gärna i vegetation (Juanes 2007 och referenser i denna). Vid
tolkning av modellresultaten bör man därför komma ihåg att habitatvalet kan
variera mellan dag och natt, och att de flesta provtagningsmetoder ger ett mått
på habitatval enbart för endera delen av dygnet. Även fiskars fångstbarhet kan
variera i olika habitat. Exempelvis är det möjligt att ungtorsken lättare går in
i ryssjor i områden där naturligt skydd i form av habitatbildande vegetation
saknas.
Stensnultra förekomst
–
Stensnultra abundans
–
Tunga förekomst
Musslor (modell)
Död mans hand (modell)
Tarearter (modell)
Bottentyp
Vågexponering
Bentisk komplexitet
Lutningsriktning
Lutning
Modell
Djup
Tabell 1-2. Prediktorvariabler som ingick i de slutliga modellerna. + anger en positiv respons på
variabeln och – anger en negativ respons. Sista raden anger i hur stor andel av modellerna som
varje prediktovariabel ingick.
+
+
+
+
Tunga abundans
+
Torsk <28 cm förekomst
–
+
Torsk <28 cm abundans
–
+
Torsk >28 cm förekomst
–
–
Grässnultra förekomst
–
+
Krabbtaska förekomst
–
+
Ål förekomst
–
–
+
Transferabilitet – kan man överföra modeller mellan grund?
För att undersöka om det är möjligt att genom fältundersökningar från ett
grund modellera fiskförekomsten på ett annat grund, skapades förekomst­
modeller för tunga utifrån data från Fladen och Lilla Middelgrund separat.
De resulterande prediktionerna jämfördes sedan med förekomsten av tunga
på det andra grundet genom beräkning av ROC-värden.
Observera att dessa modeller är baserade på hälften så mycket data som
de modeller som redovisas ovan. ROC- och cvROC-värden ska därför inte
jämföras mellan modeller som är baserade på data från båda grunden och
modeller som är baserade på data från ett grund.
Den slutgiltiga förekomstmodellen för tunga på Fladen baseras på predik­
torerna vågexponering, musslor och lutningsriktning, där den mest betydelse­
fulla prediktorn var musslor. Utvärderingen i GRASP gav ROC=0,91 och
cvROC=0,71, vilket visar att modellen har hög förklaringsgrad men inte är så
stabil.
36
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Den slutgiltiga förekomstmodellen för tunga på Lilla Middelgrund baseras på
prediktorerna musslor, lutning samt vågexponering korrigerad för lutnings­
riktning, där den mest betydelsefulla prediktorn var musslor. Utvärderingen
i GRASP gav ROC=0,91 och cvROC=0,76 vilket visar att modellen har hög
förklaringsgrad men inte är så stabil .
När man för över en modell och gör prediktioner för det andra grundet,
blir precisionen i prediktionerna inte så bra. Modellen kalibrerad på Fladen
och sedan överförd till Lilla Middelgrund ger ett nöjaktigt resultat (extern
ROC=0,68), medan överföringen av Middelgrundsmodellen till Fladen inte
fungerade (extern ROC=0,57). Det här resultatet visar på svårigheterna
med att applicera modeller på ett annat område än där de är skapade. Man
behöver större dataset än de aktuella för modellkalibreringen. Det är dess­
utom viktigt att man har en liknande fördelning av arten längs gradienterna
av respektive prediktorvariabel för att lyckas med överföringen (Sundblad et
al. 2009). Generellt skulle vi inte rekommendera att på detta sätt göra predik­
tioner för ett område utifrån en modell baserat på data från ett annat område.
37
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga 1
Bilaga 1
Predikterad sannolikhet för förekomst av fingertare (Laminaria digitata).
Predikterad sannolikhet
för förekomst av fingertare (Laminaria digitata).
Korsvalideringen
ger cvROC=0,953.
Korsvalideringen ger cvROC=0,953.
38
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga 2
Bilaga
2 för förekomst av av stortare (Laminaria hyperborea).
Predikterad
sannolikhet
Korsvalideringen ger cvROC=0,812.
Predikterad sannolikhet för förekomst av av stortare (Laminaria hyperborea).
Korsvalideringen ger cvROC=0,812.
39
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga 3
Bilaga 3
Predikterad sannolikhet för förekomst av skräppetare (Saccharina latissima).
Predikterad sannolikhet
för förekomst av skräppetare (Saccharina latissima).
Korsvalideringen
ger cvROC=0,776.
Korsvalideringen ger cvROC=0,776.
40
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga
Bilaga4 4
Predikterad
sannolikhet
för förekomst
av död mans
hand
(Alcyonium
digitatum).digitatum).
Predikterad
sannolikhet
för förekomst
av död
mans
hand (Alcyonium
Korsvalideringen
ger
cvROC=0,788.
Korsvalideringen ger cvROC=0,788.
41
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga
Bilaga55
Predikterad sannolikhet för förekomst av blåmussla (Mytilus edulis). KorsvalidePredikterad sannolikhet för förekomst av blåmussla (Mytilus edulis).
ringen ger cvROC=0,643.
Korsvalideringen ger cvROC=0,643.
42
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga
Bilaga66
Predikterad
sannolikhet
för förekomst
av hästmussla
(Modiulus
modiulus).
KorsPredikterad
sannolikhet
för förekomst
av hästmussla
(Modiulus
modiulus).
valideringen
ger cvROC=0,837
Korsvalideringen
ger cvROC=0,837.
43
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga
Bilaga7 7
Predikterad
sannolikhet
för förekomst
av av tare,
dvstare,
Laminaria.
digitata, L.
hyPredikterad
sannolikhet
för förekomst
av av
dvs Laminaria.
digitata,
L.
perborea
och/eller
Saccharina
latissima.
Korsvalideringen
ger
cvROC=0,851.
hyperborea och/eller Saccharina latissima. Korsvalideringen ger cvROC=0,851.
44
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga 8
Bilaga 8
Predikterad sannolikhet för förekomst av musslor, dvs blåmussla och/eller hästPredikterad
sannolikhet
för förekomst av musslor, dvs blåmussla och/eller
mussla.
Korsvalideringen
ger cvROC=0,746.
hästmussla. Korsvalideringen ger cvROC=0,746.
45
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga
Bilaga 99
Predikterad
sannolikhet
för förekomst
av stensnultra
(Ctenolabrus
Predikterad
sannolikhet
för förekomst
av stensnultra
(Ctenolabrus rupestris).
rupestris).
Korsvalideringen
ger cvROC=0,85.
Korsvalideringen
ger cvROC=0,85.
46
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga 10
10
Bilaga
Predikterad sannolikhet för förekomst av ungtorsk (Gadus morhua) <28 cm.
Predikterad sannolikhet för förekomst av ungtorsk (Gadus morhua) <28 cm. KorsKorsvalideringen ger cvROC=0,71.
valideringen ger cvROC=0,71.
47
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga
Bilaga 11
11
Predikterad
sannolikhet
för förekomst
av tunga
(Solea(Solea
solea).solea).
Korsvalideringen ger
Predikterad
sannolikhet
för förekomst
av tunga
cvROC=0,74.
Korsvalideringen ger cvROC=0,74.
48
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga 12
Bilaga 12
Predikterad sannolikhet för förekomst av stor torsk (Gadus morhua) >28cm. Korsvalideringen
ger sannolikhet
cvROC=0,75.för förekomst av stor torsk (Gadus morhua) >28 cm.
Predikterad
Korsvalideringen ger cvROC=0,75.
49
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga 13
Bilaga 13
Predikterad sannolikhet för förekomst av ål (Anguilla anguilla). Korsvalideringen
Predikterad sannolikhet för förekomst av ål (Anguilla anguilla).
ger cvROC=0,94.
Korsvalideringen ger cvROC=0,94.
50
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga 14
Bilaga 14
Predikterad sannolikhet för förekomst av grässnultra (Centrolabrus exoletus).
Predikterad sannolikhet
för förekomst av grässnultra (Centrolabrus exoletus).
Korsvalideringen
ger cvROC=0,87.
Korsvalideringen ger cvROC=0,87.
51
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga
Bilaga1515
Predikterad sannolikhet för förekomst av krabbtaska (Cancer pagurus). KorsvaliPredikterad sannolikhet för förekomst av krabbtaska (Cancer pagurus).
deringen ger cvROC=0,73.
Korsvalideringen ger cvROC=0,73.
52
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga 16
Bilaga 16
Predikterad karta för stensnultra (Ctenolabrus rupestris), antal per ansträngning.
Predikterad karta
för stensnultra (Ctenolabrus rupestris), antal per ansträngning.
Korsvalideringen
ger cvCOR=0,55.
Korsvalideringen ger cvCOR=0,55.
53
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga 17
Bilaga 17
Predikterad karta för ungtorsk (Gadus morhua), antal per ansträngning. KorsvaliPredikterad
karta för ungtorsk (Gadus morhua), antal per ansträngning.
deringen
ger cvCOR=0,40.
Korsvalideringen ger cvCOR=0,40.
54
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bilaga
Bilaga18
18
Predikterad
kartakarta
för tunga
(Solea(Solea
solea),solea),
antal per
ansträngning.
Korsvalideringen
Predikterad
för tunga
antal
per ansträngning.
ger cvCOR=0,51.
Korsvalideringen ger cvCOR=0,51.
55
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
8. Teknisk rapport 2: Modellering av
fiskhabitat i Egentliga Östersjön
Inom denna fallstudie har vi undersökt möjligheterna att kartlägga viktiga
fiskhabitat i Östersjön genom att kombinera nätprovfisken med statistisk
modellering och prediktioner i GIS. Vi har producerat modellerade utbred­
ningskartor för torsk, piggvar och skrubbskädda, samt totalt antal arter och
totalt abundans inom ett utsjöområde i Egentliga Östersjön. Kartorna är
framtagna genom att kombinera data från provfisken i delar av området med
uppgifter om geologiska, hydrologiska och biologiska förhållanden i området
som helhet. Vi utvärderar olika miljövariablers användbarhet för modellering
på en stor geografisk skala (tiotals till hundratals kilometer), samt jämförbar­
heten mellan modeller baserade på data från olika delar av studieområdet.
8.1Metodik
Responsvariabler
Provfiskedata
Modellen baserar sig på underlag från nätprovfisken utförda under 2007–
2008, inom ramen för tre olika projekt. I juni 2008 utfördes nätprovfisken vid
Utklippan, Klippbanken, Ölands södra grund, Norra Midsjöbanken, Hoburgs
bank, östra Gotland samt Gotska Sandön (figur 2-1). I juni 2007 fiskades
områden kring Hoburgs bank, östra Gotland samt Gotska sandön. Fisket i de
fyra förstnämnda områdena utfördes inom Naturvårdsverkets utsjöbanksin­
venteringar, och de senare tre områdena inom Fiskeriverkets uppföljning av
det fiskefria området vid Gotska Sandön. Utöver detta användes data från
nätprovfisken som Vattenfall låtit utföra vid Hanöbanken, Taggen och SV
Taggen. Dessa är utförda med samma metodik som övriga fisken, men i juli
månad, det vill säga en månad senare under säsongen.
Bottentemperaturen var 6–13 grader vid fiskena i juni. Temperaturdata
saknas från fiskena i juli i Hanöbukten. Temperaturen vid SMHIs hydro­
grafiska utsjöprogram vid stationen ”Hanöbukten”, i närheten av de tre
fiskeområdena var under juli månad 7–15 grader på djup som motsva­
rade fiskestationerna. Därmed verkar det inte ha varit någon stor skillnad i
vatten­temperatur mellan de olika fiskeperioderna. Djupet på de olika fiske­
stationerna var mellan 10 och 34 m totalt sett, men det totala undersökta
djupintervallet i de olika delområdena varierade beroende på bottentopografi.
Totalt ingick provfiskedata från 406 stationer i modelleringen.
Provfisket vid Utklippan, Klippbanken, Ölands södra grund, och Norra
Midsjöbanken utfördes med redskapstypen utsjölänk. Redskapet är samman­
satt av sju stycken nio meter långa nät med maskstorlekarna 17, 22, 25, 30,
38, 50 och 60 mm, samt tre 50 m långa nät med maskstorlekarna 75, 100 och
120 mm. Alla nät är 1,8 m höga. Provfisket är utfört med en nätlänk på varje
station, där varje station fiskats från eftermiddagen till förmiddag påföljande
56
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
dag. För varje station och maskstorlek registrerades antal fångade individer
per art och längd med 1 cm noggrannhet. Som omgivningsfaktorer vid fisket
noteras vindriktning, vindstyrka, lufttryck, vattentemperatur i ytan respektive
botten, siktdjup, vattenstånd enligt uppgifter från SMHI, samt bottendjup.
Vid övriga fisken användes samma metodik, men en något annan red­
skapstyp. Det redskap som användes vid övriga fisken är sammansatt av fem
stycken nio meter långa nät med maskstorlekarna 17, 22, 25, 30, 38, 50 och
60 mm, samt tre 50 m långa nät med maskstorlekarna 75, 100 och 120 mm.
Gotska sandön
Ö Gotland
0 12,5 25
50
75
100
km
N Midsjöbanken
Taggen
Hoburgs bank
Hanöbanken Utklippan
SV Taggen
Klippbanken
Ölans S
grund
Figur 2-1. Djupkarta med provfiskeområden och -stationer för nätprovfiskena 2007-2008.
57
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
De olika dataseten sammanfördes genom att inkludera resultat från nät
25–120 mm. Mängden fisk beräknades som totalt antal per art per station,
efter att ha viktat upp fångsten i de kortare (9 meter) näten med en faktor
50/9.
Provfiske med nätlänkar har en relativt stor fiskeansträngning på varje
lokal. Det här gör att de mest allmänna arterna noterades vid i stort sett alla
stationer, och även att arbetsinsatsen för att provfiska varje station blir rela­
tivt hög. Fördelen är å andra sidan att man får en god skattning av abundans
och storleksfördelning på varje station för de olika arterna, och även har en
större möjlighet att observera sådana arter som förekommer lägre tätheter
(tabell 2-1).
–
–
–
–
–
SV Taggen 2007
–
Taggen 2007
Klippbanken 2008
0,2
Hanöbanken 2007
Utklippan 2008
Piggvar
Öland södra grund 2008
–
Norra Midsjöbanken 2008
–
Hoburgs bank 2008
Östra Gotland 2007
–
Hoburgs bank 2007
Gotska Sandön 2008
Oxsimpa
Modell
Östra Gotland 2008
Gotska Sandön 2007
Tabell 2-1. Medelfångster per art (per nätlänk, standardiserad) för provfiskeområdena 2007–2008.
–
–
–
10
20
17
13
13
21
17
2
3
0,4
1
2
1
Rödspotta
–
–
–
–
0,1
–
–
–
–
–
0,2
0,1
1
Rötsimpa
3
1
3
4
4
9
2
2
2
–
0,3
0,2
–
Sandskädda
–
–
–
–
–
–
–
–
–
1
–
–
–
Sik
–
–
–
–
–
–
–
–
–
–
–
0,3
0,1
Sjurygg
–
0,2
–
–
0,2
–
–
–
–
–
–
–
–
Skrubbskädda
327
270
199
106
21
37
5
3
3
18
3
6
12
Strömming
1
0,2
–
0,3
0,4
0,4
0,1
0,3
1
5
–
–
–
Tobiskung
–
–
–
–
–
–
0,1
–
–
–
–
–
–
Torsk
8
19
71
46
44
62
60
107
22
63
35
31
42
Tånglake
1
1
0,4
0,3
1
1
0,4
–
0,2
–
0,2
–
–
Tångsnälla
–
–
0,2
–
–
–
–
–
–
–
–
–
–
Vitling
–
–
–
–
–
–
–
–
–
–
0,2
–
–
Öring
–
–
0,2
–
–
–
–
–
–
–
–
–
–
Modellerade variabler
Fiskena utfördes vid öppna kuststräckor en bit ute till havs, eller vid grund­
områden i utsjön. Detta är relativt artfattiga områden, som ändå kan upp­
visa mycket höga tätheter fisk. Totalt förekom 15 fiskarter. Av dessa utgjorde
skrubbskädda, torsk samt piggvar tillsammans 98 % av fångsten. I de två
nordligaste områdena dominerade skrubbskädda, medan torsken dominerade
från Hoburgs bank och söderut.
Modelleringen i denna studie baserades på mängd fisk (abundans) som
responsvariabel, och inte sannolik förekomst av en viss art, som i delstudien
58
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
för Kattegattområdena. Det här beror på att fiskeinsatsen var relativt stor
på varje station, så att de mest allmänt förekommande arterna förekom med
åtminstone någon individ på varje station.
Följande responsvariabler modellerades:
1. Torsk <32 cm – motsvarar 1–2 årig torsk för den provtagna perio­
den enligt Fiskeriverkets data på längd vid ålder för östra torskbe­
ståndet i Östersjön.
2. Torsk >38 cm – 38 cm utgör minimimått vid torskfiske, och fisk
över detta mått är alltså att betrakta som vuxen. Längdgruppen
motsvarar 3 år gammal och äldre torsk.
3.Piggvar – merparten av den piggvar som fångades var i storlekar
som motsvarar könsmogen fisk, och eftersom piggvaren leker i juni
(Florin 2005, och referenser i denna) anger modellen lekhabitat för
piggvar.
4.Skrubbskädda – merparten av den skrubbskädda som fångades var
i storlekar som motsvarar könsmogen fisk, och eftersom skrubb­
skäddan leker i april–juni (Florin 2005, och referenser i denna)
motsvarar modellen därför åtminstone delvis lekhabitat för arten.
5–7.Totalt antal individer, totalt antal individer >30 cm, samt antal arter
– För att studera möjligheten att modellera generella karaktärer hos
fisksamhället som helhet.
Prediktorvariabler
Prediktorvariabler är de miljöfaktorer som används för att statistiskt beskriva
förekomsten av de modellerade fiskarterna. De används i grid-form i GISprogrammet ArcView 3,3 för att göra prediktioner, förutsägelser, om utbred­
ningen av de arter man modellerar. I detta projekt använde vi oss av följande
prediktorvariabler1:
Djup – Djupet förväntades påverka utbredningen av fisk på lokal skala,
och har tidigare visats vara viktig i modellering av fiskhabitat (Bergström m fl
2007, Florin m fl 2009). Kartor över djup erhölls från EU Interreg projektet
BALANCE, och baserades på en digital djupmodell som tagits fram utgående
från sjökort (Al-Hamdani och Reker 2007). Eftersom noggrannheten och
träffsäkerheten i de officiella sjökorten ofta är otillräcklig i utsjön, kommer
den digitala djupmodellen ställvis att bli grov. Vid kalibreringen av modellen
användes därför fältmätt djup från respektive fiskestation för att djupangivel­
sen skulle bli så exakt som möjligt.
Lutning – Lutning förväntades påverka utbredningen av fisk på lokal skala
genom att det är en aspekt av habitatkomplexitet. Kartor över lutning erhölls
från BALANCE-projektet (Al-Hamdani och Reker 2007).
Zyad Al-Hamdani vid Danmarks geologiska undersökning tillhandahöll kartor på miljövariabler som
tagits fram inom EU Interreg-projektet BALANCE.
1
59
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Bottenströmmar – Bottenströmmar förväntades påverka utbredningen av fisk
framför allt på lokal skala, t ex genom att områden med stor genomström­
ning kan vara mer attraktiva som födosöksområden för vissa fiskarter eller
att genom att områden med bottenströmmar r andra medför andra lokala
temperaturförhållanden. Kartor över bottenströmmar erhölls från BALANCEprojektet (Al-Hamdani och Reker 2007). Noggrannheten i beräkningarna
av bottenströmmar är beroende av den batymetrin som används som indata,
vilket gör att variabeln ställvis kommer att ha grov upplösning.
Avstånd till land – Avstånd till land förväntades fungera som en proxy för
sådana processer som styr utbredningen av fisk på regional skala, till exempel
genom att avståndet från land samvarierar med födotillgång, predationstryck
från säl och skarv samt fisketryck. Variabeln samvarierar även med siktdjup
och stryklängd (se nedan) som båda kan ha en både direkt och indirekt påver­
kan på utbredningen av fisk. Kartor på avstånd till land togs fram genom en
cost distance analys i ArcGIS.
Avstånd till lekområde för torsk – Variabeln förväntas påverka utbred­
ningen av torsk på regional skala. Kartor på avstånd till lekområde för
torsk togs fram med en cost distance analys i ArcGIS. Enbart lekområdet i
Bornholmsdjupet inkluderades, definierad enligt den karta över området som
presenterades av Bagge (1994). Detta är det enda område i östra Östersjön
som haft lämpliga reproduktionsförhållanden för torsk under senare år,
till följd av de andra områdena med tillräcklig salthalt, Gdanskdjupet och
Gotlandsdjupet, begränsats av syrebrist (Nielsen & Kvaavik 2007).
Därtill testades ett antal variabler testades i pilotmodeller, men användes
inte i de slutliga modellkörningarna:
Stryklängd (fetch)2 – Stryklängden, eller snarare den närbesläktade
vågexponeringen (Isaeus 2004), har tidigare visats ha en hög förklarings­
grad i rumsliga modeller över fiskhabitat (Bergström m fl 2007, Florin m fl
2009). Variabeln påverkar utbredningen av fisk framför allt på lokal skala.
Stryklängden utgör främst en proxy för biotiska variabler, så som förekom­
sten av vegetation och fastsittande fauna, samt för abiotiska variabler så som
vattentemperatur. Beräkningar av stryklängd på Östersjöskala tillhandahölls
av AquaBiota Water Research. Enligt pilotmodeller var variabeln stryklängd
starkt korrelerad med variabeln avstånd från land och förklaringsgraden för­
bättrades inte med denna variabel i modellerna i stället för avstånd från land.
Stryklängd togs därför inte med i de slutliga modellerna, för att hålla modell­
strukturen så enkel som möjligt.
Fotiskt djup –Fotiskt djup påverkar utbredningen av fisk genom att den
påverkar interaktionen mellan visuella predator och deras bytesdjur (Snickars
m fl 2004). Det fotiska djupet bestämmer även vegetationens djuputbredning,
vilket i sin tur kan påverka utbredningen av fiskar (Sandström m fl 2005,
Bergström m fl 2007). I öppna kustområden påverkar variabeln utbredningen
2
Enligt kartor framtagna av Martin Isaeus, Aquabiota.
60
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
av fisk framför allt på regional skala. Kartor över fotiskt djup erhölls från
BALANCE-projektet (Al-Hamdani och Reker 2007). Eftersom fotiskt djup
var starkt korrelerad med avstånd till land och sällan ökade förklaringsgraden
nämnvärt när denna variabel fanns med i modellerna, togs fotiskt djup bort i
de slutliga modellerna för att hålla modellstrukturen så enkel som möjligt och
för att undvika överanpassning.
Vattentemperatur – Variabeln kan förväntas påverka utbredningen av fisk
framför allt på lokal skala, genom att olika arter föredrar olika vattentempe­
ratur. Kartor över vattentemperatur, angivet som medeltemperatur vid botten
under april–september, erhölls från BALANCE-projektet (Al-Hamdani och
Reker 2007). Enligt pilotmodelleringar ökade variabeln vattentemperatur
sällan modellernas förklaringsgrad och ingick därför inte i den slutliga model­
leringen. Eftersom vattentemperatur är en viktig faktor för fiskars utbredning
(Magnuson m fl 1979), är den mest troliga förklaringen att modellen som låg
till grund för kartan troligen var för grov för att vara användbar för att förut­
säga skillnader mellan enskilda fiskestationer inom ett område.
Salthalt – Kartor över salthalt i bottenvattnet erhölls från BALANCEprojektet (Al-Hamdani och Reker 2007). Salthalten kan förväntas påverka
utbredningen av fisk framför allt på regional skala. Variabeln visade sig dock
ha en låg till inget inflytande i pilotmodellerna och togs inte med i slutliga
modellerna. Troligen berodde den svaga responsen på att salthalten på alla
provtagningstationer begränsades till ett intervall om 0,5 PSU, vilket är en för
liten skillnad för att man ska se någon direkt effekt på utbredningen av de
modellerade arterna.
Rumslig modellering
Den statistiska modelleringen för att beskriva fiskens utbredning i relation
till miljövariabler utfördes i S-plus, med hjälp av programtillägget GRASP
– Generalized Regression Analysis and Spatial Prediction (Lehmann m fl
2002). Modelleringen bygger på generaliserade additiva modeller (GAM).
Prediktorvariablerna valdes ut med hjälp av Akaike’s Information Criterion,
AIC. Alla modeller har tillämpats enligt två frihetsgrader för GAM-modellerna
samt en poisson fördelning hos datat. Eftersom noll-förekomster av de
modellerade arterna var ovanliga i provfiskena, lämpade sig datat inte för
modellering av förekomst respektive frånvaro av fisk. I stället tillämpades
abundansmodellering, där modellen förutsäger mängden fisk.
Abundansmodellerna utvärderades med avseende på modellpassning och
stabilitet.
Modellpassningen utvärderades på basen av förklaringsgrad, angiven som
D2 (deviance) i GAM-modellerna, samt på basen av Pearsons korrelations­
koefficient (COR). Eftersom D2 anger direkt förklaringsgrad, motsvarar den
i stort sett kvadraten på COR. Generellt kan förklaringsgrader över 30 %
(motsvarande D2=0,3 och COR=0,55) anses som relativt bra när det gäller
abundansmodeller, medan förklaringsgrader över 50 % (motsvarar D2=0,5
och COR=0,7) visar att modellen är stark.
61
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Modellstabilitet och prediktiv styrka utvärderas genom korsvalidering, vilken i
det här fallet kvantifierades med hjälp av cvCOR. Vid korsvalidering används
en större del av datamaterialet för att göra modellens prediktioner, medan ett
subset av datamaterialet sätts åt sidan för att validera prediktionerna efteråt.
Rutinen upprepas ett antal gånger, med nya delmängder. Korsvalideringen
utgör alltså ett mellanting mellan intern validering och extern validering med
hjälp av ett helt separat dataset, och utgör när datasetet inte är så stort ett
bättre alternativ än att undanta delar av datasetet enbart för validering. I de
fall där cvCOR ligger nära COR-värdet har man en stabil modell med hög
prediktiv styrka. När skillnaden mellan cvCOR och COR är stor betyder det
att modellen är överanpassad, det vill säga att modellen anpassas till mönster
som enbart förekommer i delar av datasetet och därmed inte blir så generell.
Risken för överanpassning ökar när man ökar antal variabler som ingår
i modellen samt när man ökar modellens följsamhet efter inventerings­
data, vilket i GAM-modellering bestäms av splinefunktionens frihetsgrader
(Sandman m fl 2008). I en serie pilotmodellingar studerades skillnaden mellan
cvCOR och COR manuellt för ett stort antal kombinationer av prediktor­
variablerna. På basen av dessa preliminära körningar, samt analys av den
inbördes korrelationen mellan prediktorvariabler (ena variabeln togs bort
om r>0,7), valdes 4–5 variabler ut för de slutgiltiga modellkörningarna (se
stycket Prediktorvariabler ovan). De variabler som nyttjades i modellkörning­
arna var djup, lutning, avstånd till land, bottenströmmar, samt för torskens
del även avstånd till lekområde. I de slutgiltiga modellkörningarna , där dessa
4–5 variabler ingick, användes AIC för att välja ut prediktorer för de slutliga
modellerna.
De slutliga modellerna utfördes i två versioner, en där alla provfiske­
data nyttjats samt en där enbart den östra delen ingått, det vill säga data
från Ölands södra grund och österut. Anledningen till denna uppdelning är
att det vid pilotkörningarna av modellerna visade sig att responsen hos flera
arter verkade skilja sig åt mellan västra och östra delen av området. En orsak
till denna skillnad kan vara att fisketrycket är mycket starkare i västra delen
av området, framför allt genom ett riktat torskfiske som även fångar både
skrubbskädda och piggvar (figur 2-2). Fiske kan ha stor effekt på mängden
fisk, och därmed även på fiskens realiserade utbredningsområde i en miljö.
Därmed kan modeller byggda på data från områden som är starkt påverkade
av fiske ge en skev bild av hur fiskars habitatpreferens ser ut ur andra aspek­
ter. För att undersöka om en effekt av fisket kunde noteras på det slutliga
resultatet gjordes separata modeller för den östra delen av området, där fiske­
trycket på bottenlevande arter är lägre.
Modellerade kartor
De statistiska modellerna användes för att utgående från rasterkartor över
prediktorvariablerna göra rumsliga prediktioner i ArcView, med hjälp
av programtillägget GRASPIT. För att en variabel ska kunna användas
som prediktor krävs alltså att man har ett yttäckande kartskikt för varia­
62
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
beln. Prediktionerna utgörs
av kartfiler i gridformat, som
kan visas i ArcView/ArcGIS.
Kartprediktioner gjordes för
ett relativt stort geografiskt
område, som täckte in vatten­
områden från Hanöbukten och
Bornholm i sydväst till Fårö
och Gotska sandön i nordost
(figur 2-2). Detta innebär att
prediktionerna, trots den goda
yttäckningen av fiskena, även
gjorts i områden som ligger
långt från något av de ingå­
ende provfiskena (figur 2-1).
I sådana områden ökar osäker­
heten i prediktionerna, efter­
som utbredningen av fisk i dessa
områden kan påverkas av fakto­
rer som inte finns representerade
i de befintliga modellerna. För
att inte extrapolera prediktio­
nerna utanför det observerade
området i djupled begränsades
prediktionerna till 30 m.
Figur 2-2. Torskfångster i Östersjön 2002-2006. Rött
anger höga fångster och grönt låga. Punkterna anger
provfiskestationer och polygonen anger prediktions­
område för modelleringen.
Provfiskekartor
För att visuellt jämföra provfiskeresultatet med modellprediktionerna togs även
kartor över de direkta fångsterna enligt nätprovfiskena fram. Provfiskedatat
interpolerades med hjälp av Inverse distance weighting (IDW) i ArcGIS med
1 000 m pixelstorlek och 5 000 m sökradie.
8.2 Resultat och diskussion
Statistiska modeller
De statistiska GAM-modellerna baserade på abundansdata blev generellt starka
(tabell 2-2). Abundanser är ofta svårare att modellera än förekomst, eftersom
tätheten fisk på en specifik lokal kan variera mycket över tid till exempel till
följd av att många fiskar rör sig i stim. Troligen kan det starka utfallet delvis för­
klaras av att provfisket vid varje station var tillräckligt omfattande för att täcka
in en stor del av den småskaliga rumsliga variationen och få en god skattning av
tätheten fisk på varje station. Dessutom hade datamaterialet en stor geografisk
spridning så att det täckte in områden med rätt olika förutsättningar för de stu­
derade arterna. Detta ledde till tydliga mönster i den storskaliga utbredningen av
arter, och därmed en hög förklaringsgrad hos modellerna.
63
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Avstånd lekområde torsk
D2
Antal arter
Stabilitet
Antal ind >30 cm
cvCOR
Antal individer
–
–
–
–
COR
Skrubbskädda
+
+
–
–
+
+
+
–
+
–
–
–
0
0
Avstånd till land
Piggvar
+/–
–
–
–
–
–
–
+
–
–
–
–
–
–
Bottenströmmar
Torsk >38 cm
Område
Hela
Östra delen
Hela
Östra delen
Hela
Östra delen
Hela
Östra delen
Hela
Östra delen
Hela
Östra delen
Hela
Östra delen
Lutning
Art/grupp
Torsk <32 cm
Djup
Tabell 2-2. Sammanfattning av de modeller som togs fram för olika organismgrupper. Kolumnen
område anger om modellen byggts på hela materialet eller enbart den östra delen av provfiske­
områdena. Relationen mellan responsvariabeln och respektive prediktorvariabel anges som
+ (positiv), – (negativ) eller 0 (prediktorn ej med i modellen). Korrelationskoefficienten COR
anger utfallet av modellvalideringen och cvCOR anger utfallet av korsvalideringen. Stabilitet
anger procentuella värdet av COR i förhållande till cvCOR, och D2 anger andelen förklarad variation hos modellen. Förklaringsgrader över 30 % (motsvarar D2=0,3 och COR=0,55) får ses som
relativt bra när det gäller abundansmodeller, medan förklaringsgrader över 50 % (motsvarar
D2=0,5 och COR=0,7) visar att modellen är stark.
–
–
–
–
–
–
+
+
+
+
–
–
0
0
+
+/–
0
0
+
+
–
–
+
–
+
+/–
0
–
0,53
0,65
0,38
0,41
0,78
0,77
0,83
0,90
0,74
0,81
0,46
0,50
0,34
0,54
0,48
0,58
0,33
0,33
0,71
0,62
0,82
0,89
0,71
0,8
0,42
0,43
0,33
0,51
91
89
87
80
91
81
99
99
96
99
91
86
97
94
0,31
0,48
0,21
0,26
0,54
0,51
0,66
0,82
0,51
0,66
0,20
0,21
0,11
0,30
Prediktioner av fiskhabitat
Juvenil torsk (<32 cm)
Uppväxande, juvenil, torsk anses vara mer stationär och starkare beroende
av specifika habitat (Grant & Brown 1998, Lindholm m fl 1999, Cote m fl
2004) än vuxen fisk. Uppväxande torsk är starkt knuten till grunda habitat på
svenska västkusten (Pihl och Ulmestrand 1993, Carlen m fl 2009, Bergström
och Fredriksson 2009). För Östersjön är betydelsen av de allra grundaste
områdena inte lika tydlig, men även här anses grundområden utgöra huvud­
sakligt habitat för uppväxande torsk (Bagge m fl 1994, Hinrichsen m fl 2009).
Eftersom torskens lek är fysiologiskt begränsad till ett fåtal djupområden i
södra Östersjön (Nielsen och Kvaavik 2007) kan man förvänta sig att mäng­
den uppväxande torsk avtar med avståndet till detta område.
Provfisket visade att det förekom uppväxande torsk i hela undersök­
ningsområdet, men att tätheterna var tydligt lägre vid Gotska sandön, det
vill säga det område som hade längst avstånd till lekområdet (figur 2-3a).
Det var dock anmärkningsvärt att tätheterna av uppväxande torsk även var
låga även vid områdena i Hanöbukten, som anses vara ett av de viktigaste
uppväxt­områdena för torsk i Östersjön. En eventuell förklaring till mönstret
kunde vara att provfiskena är utförda under olika år (2007 respektive 2008),
64
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
och att förekomsten av uppväxande torsk varierar mycket mellan år, bero­
ende på skillnader i rekryteringsframgång under olika år, framför allt vilka
hydrodynamiska förhållanden som rått under larvperioden (Hinrichsen m fl
2009). Sådana analyser finns inte tillgängliga för de aktuella åren. En annan
möjlig orsak kan vara att det höga fisketrycket på torsk i Hanöbukten, genom
bifångster, minskar tätheten uppväxande torsk.
Modellen för hela området
a
respektive för den östra delen av
området gav något olika resultat
(tabell 2-2). Båda modellerna angav
att det fanns mer torsk i områden
närmare lekområdet, samt i områ­
den med svaga bottenströmmar
och med stark lutning på bottnen.
Det som främst skiljde model­
lerna från varandra var responsen
på djup samt avstånd från land.
Modellen för östra delen visade på
en tydlig negativ respons på djup
men en otydlig respons på avstånd
från land, medan modellen för hela
området visade en otydlig respons
på djup men en positiv respons på
avstånd från land.
b
c
Figur 2-3. Torsk <32 cm. a) Interpolation av provfiskedatat, b) Prediktion på basen av modell för
hela provfiskedatat, c) Prediktion på basen av modell för östra delen av provfiskedatat (Ölands
södra grund och österut).
65
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Modellen för östra delen av området blev betydligt starkare än den för hela
området. Om man antar att en bidragande förklaring till detta är att ett hår­
dare fisketryck i den västra delen av området påverkar den realiserade utbred­
ningen av uppväxande torsk, är det troligt att modellen och prediktionen för
den östra delen ger ett säkrare mått på den uppväxande torskens verkliga
habitatpreferens (figur 2-3). Ett sådant antagande styrks av att modellen för
den östra delen stämmer bättre överens med oceanografiska modelleringar,
vilka visar att Hanöbukten och Midsjöbankarna troligen utgör de viktigaste
uppväxtområdena för torsk i svenska delen av Östersjön (Hinrichsen m fl
2009).
Adult torsk (>38 cm)
Vuxen torsk anses vara generalister när det gäller habitatval och har poten­
tial att sprida sig över hela undersökningsområdet. Provfiskedatat visade
också att vuxen torsk förekom över hela provtagningsområdet, och att rela­
tivt låga tätheter av vuxen torsk enbart förekom vid Gotska Sandön längst i
norr (figur 2-4a). Den likartade förekomsten i flertalet områden ledde även
som förväntat till relativt svaga modeller, både den för hela området och den
för östra delen. Responsen på prediktorerna var likartad för båda modellerna
(tabell 2-2). Prediktionen på basen av modellen för hela provfiskedatat visar
att området längst i norr förväntas hålla mindre mängder stor torsk, men i
övrigt framträder inga tydliga mönster.
b
a
Figur 2-4. Torsk >38 cm. a) Interpolation av provfiskedatat, b) Prediktion på basen av modell för
hela provfiskedatat.
66
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Skrubbskädda
Skrubbskädda var den klart vanligast förekommande arten vid östra Gotland
och Gotska Sandön, men tätheterna var påtagligt lägre från Hoburgs bank
och söderut (figur 2-5a). Både modellen baserat på hela området och base­
rat på endast den östra delen var stabila med mycket hög förklaringsgrad
(tabell 2-2). Enligt modellerna föredrar skrubbskädda kustnära områden
med starka bottenströmmar. Responsen på djup och lutning skiljde sig dock
åt mellan modellerna. Om man jämför prediktionen för hela området med
provfiskedatat ser man att den predicerar höga tätheter skrubbskädda vid
Gotska Sandön och östra Gotland, vilket stämmer med provfisket. Liksom
vid modellen för uppväxande torsk predicerar modellen dock högre täthet av
skrubbskädda i Hanöbukten än vad som förekom enligt provfisket. Eventuellt
kan detta vara ett tecken på att det höga fisketrycket i området påverkar även
skrubbskäddan.
a
b
Figur 2-5. Skrubbskädda. a) Interpolation av provfiskedatat, b) Prediktion på basen av modell för
hela provfiskedatat.
Piggvar
Provfisket som modellerna baserar sig på utfördes i huvudsak under lek­
tiden för piggvar och man därför anta att modellprediktionerna indikerar
potentiella lekområden för arten. Provfiskeresultatet visar arten förekommer
i starka aggregationer vid Norra Midsjöbanken och norrut kring Gotland
(figur 2-6a). Modellen för hela området och modellen baserat på enbart den
östra delen uppvisar mycket likartad respons, och anger att piggvaren före­
drar grunda områden långt från land. Båda modellerna har hög förklarings­
67
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
grad (tabell 2-2). På samma sätt som för de två tidigare arterna överskattar
prediktionen förekomsten av piggvar i Hanöbukten-området jämfört med
provfiskefångsterna. En sannolik förklaring till detta är ett högre fisketryck
i Hanöbukten, men även den faktum att fisket i detta område skett vid en
senare tidpunkt kan ha gett lägre fångster.
b
a
Figur 2-6. Piggvar. a) Interpolation av provfiskedatat, b) Prediktion på basen av modell för hela
provfiskedatat.
Totalt antal individer
Det totala individantalet i provfiskena styrs främst av antalet skrubbskädda
och torsk, vilka var de vanligaste arterna i provfisket som helhet. Tätheten av
fisk under provfisket var högst vid Gotland och Gotska sandön (figur 2-7a).
Både modellen baserat på hela området och modellen baserat på endast
materialet från den östra delen hade en hög förklaringsgrad och var stabila
(tabell 2-2). Flest individer finns enligt modellen i grunda områden med starka
strömmar. Liksom tidigare modeller överskattar modellen antal individer i
Hanöbukten (figur 2-7b).
Antal individer >30 cm samt antal arter
Modeller producerades också för antal individer större än 30 cm samt för
antal arter. De flesta av dessa blev svaga och visas därför inte. Enbart model­
len för antal arter baserat på fisket i det östra området gav en relativt hög för­
klaringsgrad (tabell 2-2). Denna modell visade att det fanns fler arter i grunda
kustnära områden, vilket följer gängse uppfattning om att produktiva kust­
områden också är mer artrika.
68
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
b
a
Figur 2-7. Totalt antal individer. a) Interpolation av provfiskedatat, b) Prediktion på basen av modell för hela provfiskedatat.
69
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
9.Referenser
Al-Hamdani Z, Reker J (eds) 2007. Towards marine landscapes in the Baltic
Sea. BALANCE Interim report 10. Finns på http://www.balance-eu.org/.
Ardron, J, 2002. A GIS Recipe for Determining Benthic Complexity: An
Indicator of Species Richness. In: Marine Geography: GIS for the oceans and
seas. Editor: Joe Breman, 205 pp. ESRI Press, Redlands, California.
Bagge O, Thurow F, Steffensen E, and Bay J 1994. The Baltic cod. Dana 10:
1–28.
Bekkby, T., P. E. Isachsen, M. Isæus and V. Bakkestuen 2008. “GIS modelling
of wave exposure at the seabed – a depth-attenuated wave exposure model.”
Marine Geodesy 31: 1–11.
Bergström U och Fredriksson R 2009. Kartläggning av viktiga habitat för fisk
och kräftdjur vid Vinga. Rapport till länsstyrelsen i Västra Götaland.
Bergström L., H. Westerberg, H. Olofsson, T. Axenrot och M. Sköld. 2007a.
Revidering av kunskapsläget för vindkraftens effekter på fisket och
fiskbestånden. Fiskeriverket informerar, FINFO 2007:6, 31 s.
Bergström U, Sandström A, Sundblad G 2007b. Fish habitat modelling in the
Baltic Sea archipelago region. BALANCE Interim report 11. Rapporten finns
på http://www.balance-eu.org/.
Bergström, L., Lagenfeldt, I., Sundqvist, F., Andersson, M. 2008 Fisk­under­
sökningar vid Lillgrund. Kontrollprogram för Örestads vindkraftpark.
Fiskeriverkets årsrapport 2008.
Cote D, Moulton S, Frampton PC, Scruton DA, McKinley Rs 2004. Habitat
use and early winter movements by juvenile Atlantic cod in a coastal area of
Newfoundland. Journal of Fish Biology 64 (3): 665–679.
Eastwood PD, Meaden GJ, Grioche A 2001. Modelling spatial variations in
spawning habitat suitability for the sole Solea solea using regression quantiles
and GIS procedures. Marine Ecology Progress Series 224: 251–266.
Fielding, A. H. and J. F. Bell. 1997. A review of methods for the assessment of
prediction errors in conservation presence/absence models. Environmental
Conservation 24:38–49.
Florin 2005. Flatfishes in the Baltic Sea – a review of biology and fishery with
a focus on Swedish conditions. Finfo 2005:14, Fiskeriverket.
Florin A-B, Sundblad G, Bergström U 2009. Characterisation of juvenile
flatfish habitat in the Baltic Sea. Estuarine, Coastal and Shelf Science 82:
294–300.
70
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Fox, C.J., O’Brien, C.M, Dickey-Collas, M., Nash, R.D.M. 2000. Patterns
in the spawning of cod (Gadus morhua L.), sole (Solea solea L.) and plaice
(Pleuronectes platessa L.) in the Irish Sea as determined by generalised
additive modelling. Fish. Ocean 9, 33–49.
Francis, M.P., Morrison, M.A., Leathwick, J., Walsh, C., & Middleton, C.
2005. Predictive models of small fish presence and abundance in northern
New Zealand harbours. Est. Coast. and Shelf Science, 64, 419–435.
Grant SM, Brown JA 1998. Nearshore settlement and localized populations
of age 0 Atlantic cod (Gadus morhua) in shallow coastal waters of
Newfoundland. Can. J. Fish. Aquat. Sci. 55: 1317–1327.
Guisan A. & Zimmerman N E 2000. Predictive habitat distribution models in
ecology. Ecological Modelling 135, 147–186.
Hinrichsen HH, Kraus G, Böttcher U, Köster F 2009. Identifying eastern
Baltic cod nursery grounds using hydrodynamic modelling: knowledge for
the design of Marine Protected Areas. ICES Journal of Marine Science 66:
101–108.
Hosmer, D.W., Lemeshow, S. 2000. Applied Logistic Regression, 2nd ed.
Wiley, New York, NY, USA.
Isaeus, M. 2004. Factors structuring Fucus communities at open and complex
coastlines in the Baltic Sea, Doktorsavhandling, Botaniska institutionen.
Stockholms universitet: 40.
Juanes F. 2007. Role of habitat in mediating mortality during the post-settle­
ment transition phase of temperate marine fishe. Journal of Fish Biology 70:
661–677.
Lehmann, A., Overton, J.M., Leathwick, J.R. 2002. GRASP: generalized
regression analysis and spatial prediction. Ecological Modelling 157: 189–207.
Lindholm JB., Auster PJ, and Kaufman LS 1999. Habitat-mediated
survivorship of juvenile (0-year) Atlantic cod Gadus morhua. Marine Ecology
Progress Series 180: 247–255.
Maggini, R., A. Lehmann, N. E. Zimmerman, and A. Guisan. 2006.
Improving generalized regression analysis for the spatial prediction of forest
communities. Journal of Biogeography, special issue: 1–21.
Magnuson J, Crowder L, Medvick P 1979. Temperature as an ecological
resource. American Zoologist 19: 331–343.
Molinaro AM, Simon R, Pfeiffer RM 2005. Prediction error estimation:
a comparison of resampling methods. Bioinformatics 21:3301–3307.
Naturvårdsverket 2006. Inventering av marina naturtyper på utsjöbankar.
Naturvårdsverket rapport 5576.
71
VINDVAL
Rapport 6427 • GIS-baserade metoder för att kartlägga fiskars livsmiljöer i grunda havsområden
Naturvårdsverket 2009. Naturtyper på havets botten baserat på art- och
habitatmodellering. Naturvårdsverket rapport 5987.
Nielsen B, Kvaavik C 2007. Pelagic habitat mapping: A tool for area-based
fisheries management in the Baltic Sea. BALANCE Interim report 20.
Available at http://www.balance-eu.org/.
Pihl L, Ulmestrand M 1993. Migration pattern of juvenile cod (Gadus
morhua) on the Swedish west coast. ICES J Mar Sci 50: 63–70.
Pihl L, Wennhage H, 2002. Structure and diversity of fish assemblages
onrocky and soft bottom shores on the Swedish west coast. Journal of Fish
Biology 61, 148–166.
Pihl, L., Baden S., Kautsky N., Rönnbäck P., Söderqvist T., Troell M. och
Wennhage H.
2006. Shift in fish assemblage structure due to loss of seagrass Zostera marina
habitats in Sweden. Estuarine, Coastal and Shelf Science 67: 123–132.
Rice J.C. 2005. Understanding fish habitat ecology to achieve conservation.
Journal of Fish Biology 67 (Supplement B): 1–22.
Sandman A, Isaeus M, Bergström U, Kautsky H 2008. Spatial predictions
of Baltic phytobenthic communities: Measuring robustness of generalized
additive models based on transect data. J Marine Systems 74, Supplement 1:
S86–S96.
Sandström A, Eriksson BK, Karås P, Isæus M, and Schreiber H 2005. Boating
and navigation activities influence the recruitment of fish in a Baltic Sea
archipelago area. Ambio 34: 125–130.
Snickars M, Sandström A, Mattila J 2004. Antipredator behaviour of 0+ year
Perca fluviatilis: effect of vegetation density and turbidity. Journal of Fish
Biology 65: 1604–1613.
Sundblad G, Härmä M, Lappalainen A, Urho L, Bergström U 2009.
Transferability of predictive fish larvae distribution models in two coastal
systems. Estuarine, Coastal and Shelf Science 83: 90–96.
Thoresson, G. 1996. Metoder för övervakning av kustfisk. Fiskeriverket
Kustrapport 1996:3.
Wilhelmsson D, Malm T, Thompson R., Tchou J, Sarantako G, McCormick
N, Luitjens S, Gullström M, Patterson Edwards JK, Amir O and Dubi A.(eds.)
2010. Greening Blue Energy: Identifying and and managing the biodiversity
risks and opportunities of offshore renewable energy. Gland, Switzerland:
IUCN. 102pp.
72
GIS-baserade metoder
för att kartlägga fiskars
livsmiljöer i grunda
havsområden
Ulf Bergström, Lena Bergström, Ida Carlén
och martin Isæus
rapport 6427
NATURVÅRDSVERKET
isbn 978-91-620-6427-3
issn 0282-7298
Rapporten uttrycker nödvändigtvis inte Naturvårdsverkets ställningstagande.
Författaren svarar själv för
innehållet och anges vid
referens till rapporten.
Författarna har utvecklat och utvärderat GIS-baserade
metoder för att skapa kartor över fiskar utbredning i grunda
havsområden (GIS = geografiska informationssystem).
Kartorna kan användas för att utvärdera olika områdens
betydelse för fisk och metoderna kan komplettera inventeringar genom provfiske.
I rapporten presenteras resultat från fallstudier från
två svenska havsområden. Kunskapen är användbar vid
planering och prövning av vindkraftanläggningar och kan
utgöra underlag vid miljökonsekvensbeskrivningar.
Kunskapsprogrammet Vindval samlar in, bygger upp och sprider
fakta om vindkraftens påverkan på den marina miljön, på växter,
djur, människor och landskap samt om människors upplevelser av
vindkraftanläggningar. Vindval erbjuder medel till forskning inklusive
kunskapssammanställningar, synteser kring effekter och upplevelser
av vindkraft. Vindval styrs av en programkommitté med representanter
från Boverket, Energimyndigheten, länsstyrelserna, Naturvårdsverket,
Riksantikvarieämbetet och vindkraftbranschen.
Naturvårdsverket 106 48 Stockholm. Besöksadress: Stockholm - Valhallavägen 195, Östersund - Forskarens väg 5 hus Ub, Kiruna - Kaserngatan 14.
Tel: +46 8-698 10 00, fax: +46 8-20 29 25, e-post: [email protected] Internet: www.naturvardsverket.se Beställningar Ordertel: +46 8-505 933 40,
orderfax: +46 8-505 933 99, e-post: [email protected] Postadress: CM-Gruppen, Box 110 93, 161 11 Bromma. Internet: www.naturvardsverket.se/bokhandeln